La inteligencia artificial (IA) aplicada a la ciencia está transformando el descubrimiento científico de forma fundamental. La capacidad de los grandes modelos de lenguaje (LLM), las redes neuronales, la IA generativa y el aprendizaje automático para analizar enormes conjuntos de datos permite evaluar mucha más información de la que un investigador humano podría procesar por sí solo, y en plazos cada vez más breves. A medida que la evolución de la tecnología basada en IA abre nuevas posibilidades en campos que van desde la medicina personalizada hasta la petroquímica, presentamos algunos ejemplos recientes que demuestran cómo la IA está generando un impacto significativo en el descubrimiento científico.
Relacionado: Vea la grabación de nuestro seminario web «IA para la ciencia» donde expertos de 3M, el Moffitt Cancer Center and Research Institute y CAS analizaron casos de uso específicos de la IA, así como los desafíos y oportunidades en el contexto más amplio del dinámico panorama investigador actual.
La IA generativa permite diseñar nuevos materiales basados en las propiedades deseadas
El diseño de materiales con atributos específicos puede ser un proceso lento que requiere que los expertos examinen manualmente extensas listas de candidatos y empleen la experimentación por ensayo y error. La IA generativa está permitiendo un cambio de paradigma en la ciencia de materiales, ayudando a los investigadores a evaluar muchos más candidatos mediante la predicción de las propiedades de las sustancias a partir de principios fundamentales y el cribado de materiales de forma mucho más rápida.
La IA generativa permite a los investigadores comenzar con un objetivo final en mente en lugar de iterar experimentos con materiales existentes. Esto no solo ahorra tiempo, sino que, al explorar combinaciones poco convencionales para generar rápidamente miles o incluso millones de compuestos hipotéticos, los investigadores pueden utilizar la IA para aumentar el potencial de innovación. Por ejemplo, en los últimos años han surgido varios modelos de IA generativa destinados a optimizar el proceso de diseño de materiales:
- MatterGen, de Microsoft Research, utiliza un modelo de difusión como base para la generación de materiales.
- MatAgent aprovecha los LLM aumentados con una base de conocimientos sobre materiales para proponer una nueva composición, un estimador de estructura de modelo de difusión para determinar la estructura cristalina basada en la composición propuesta y un evaluador de propiedades basado en redes neuronales de grafos (GNN) para predecir las propiedades de dicha estructura cristalina.
- IBM Research también ha lanzado un conjunto de modelos que utiliza un enfoque de mezcla de expertos, el cual ha demostrado ser prometedor en el diseño de sustitutos de PFAS.
Además, Meta ha publicado recientemente Open Molecules 2025, un conjunto de datos para avanzar en el descubrimiento molecular, y el Modelo Universal para Átomos (UMA).
El aprendizaje automático también ha sido muy eficaz a la hora de predecir las propiedades de los materiales candidatos. Microsoft desarrolló MatterSim, un complemento de MatterGen que consiste en un modelo de aprendizaje profundo entrenado con datos que combina aprendizaje activo, modelos generativos y simulaciones de dinámica molecular. Google también ha lanzado una herramienta para el descubrimiento de materiales llamada GNoME, descrita como «AlphaFold para el descubrimiento de materiales». Utilizando DeepMind, los investigadores redujeron una lista de 2,2 millones de materiales a 381 000 y, a continuación, utilizaron GNoME para predecir cuáles serían los más estables, lo que dio como resultado 528 posibles conductores de iones de litio que podrían utilizarse en baterías.
La IA para la ciencia impulsa el auge de la medicina de precisión
El modelado genético basado en IA puede analizar e interpretar ahora grandes cantidades de datos genéticos, epigenéticos y bioinformáticos, ayudando a los investigadores a comprender las variaciones genéticas y sus implicaciones. Este enfoque utiliza algoritmos de aprendizaje automático y otras herramientas de IA para identificar patrones y correlaciones dentro de la información genética con el fin de adaptar las medidas preventivas, los tratamientos y la medicina a cada individuo. El objetivo es fomentar la intervención temprana, minimizar los efectos secundarios y reducir los costes, todo ello con la meta de crear programas de atención personalizados adaptados a las necesidades de cada paciente.
La aplicación de la IA al modelado genético ha logrado avances significativos en las siguientes áreas:
- Integración y análisis de datos: Los modelos de IA procesan grandes cantidades de datos genéticos, incluidos la secuenciación de ADN (por ejemplo, secuencias del exoma/genoma completo), datos del transcriptoma, proteoma y metaboloma, para descubrir información que los algoritmos tradicionales podrían pasar por alto. Las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN) identifican asociaciones complejas entre biomarcadores, riesgo de enfermedad y respuesta a los fármacos. Estos modelos pueden captar patrones intrincados dentro de los datos genómicos que los métodos estadísticos tradicionales podrían omitir, lo que conduce a predicciones más precisas sobre la susceptibilidad a enfermedades y los resultados de los tratamientos.
- Análisis predictivo: La IA se aplica para predecir la probabilidad de desarrollar determinadas enfermedades basándose en el perfil genético de una persona, sus antecedentes familiares e incluso las notas de los médicos. Este enfoque utiliza algoritmos de aprendizaje automático e informática clínica para analizar datos genéticos complejos y patrones familiares, ofreciendo información sobre medidas preventivas y planificación de tratamientos personalizados.
- Planes de tratamiento personalizados: La IA apoya el desarrollo de terapias de precisión basadas en el genoma y epigenoma únicos de cada individuo. Los modelos de IA analizan e identifican variaciones y mutaciones específicas que pueden influir en el riesgo de enfermedad y en la respuesta al tratamiento. Las soluciones de IA también pueden examinar modificaciones epigenéticas, como la metilación del ADN y las modificaciones de las histonas, para comprender cómo los factores ambientales y el estilo de vida afectan a la expresión génica.
- Integración de datos multiómicos: Al utilizar la capacidad de la IA para relacionar datos genómicos, transcriptómicos, proteómicos y metabolómicos, los investigadores pueden crear modelos más completos de los sistemas biológicos. Este enfoque holístico permite una comprensión más profunda de la compleja interacción entre los factores genéticos, los factores no genéticos y las influencias ambientales en el desarrollo y la progresión de las enfermedades.
Las soluciones basadas en IA pueden analizar grandes cantidades de datos para ayudar a desarrollar diagnósticos y tratamientos que tengan en cuenta la variedad de factores que intervienen en cada paciente. Ya sea avanzando hacia un modelo omniómico del perfil de salud de un paciente o abordando la complejidad computacional de los datos genéticos y epigenéticos, la IA promete ser una fuerza impulsora en el desarrollo de la medicina de precisión.
Algoritmos de IA para mejorar la eficiencia de la captura y el almacenamiento de carbono
Incluso si todas las emisiones de dióxido de carbono se detuvieran hoy, el CO2 que ya se encuentra en la atmósfera seguiría atrapando calor e impulsando el calentamiento global. Como ha señalado el Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC), aunque la captura y eliminación de CO2 no sustituye a la reducción de emisiones, será necesaria para disminuir las emisiones de gases de efecto invernadero y mantener el calentamiento en 2 °C.
La IA aplicada a la ciencia desempeña un papel cada vez más importante en numerosos enfoques para capturar CO2, incluidos la captura y el almacenamiento de carbono (CAC) y la meteorización mejorada de rocas (ERW, por sus siglas en inglés).
- Captura y almacenamiento de carbono (CAC): Los algoritmos de IA están optimizando los sistemas de captura de carbono mediante el análisis de datos operativos para mejorar la eficiencia. Por ejemplo, se han utilizado algoritmos de aprendizaje por refuerzo para la optimización de procesos de eliminación de CO2 de los gases de combustión industriales, minimizando al mismo tiempo la energía operativa necesaria. Los resultados demuestran que los modelos y algoritmos predictivos pueden reducir los costes energéticos en más del 70 por ciento de los casos. El aprendizaje automático también puede identificar materiales porosos para la adsorción con mayor rapidez que los métodos tradicionales. Microsoft MOFDiff, un modelo de difusión de grano grueso, genera estructuras de redes metal-orgánicas (MOF), que son altamente eficaces en la captura de carbono.
- Meteorización mejorada de rocas (ERW): La ERW elimina el CO2 de la atmósfera acelerando los procesos geológicos naturales. Al añadir una fina capa de rocas de silicato o carbonato trituradas a terrenos, como campos agrícolas, los procesos de meteorización química en presencia de agua de lluvia convierten el CO2 atmosférico en iones de bicarbonato. Las soluciones basadas en IA pueden apoyar las iniciativas de ERW identificando las ubicaciones y condiciones del suelo idóneas, así como ejecutando los modelos predictivos necesarios para determinar la eficacia de los proyectos.
Aunque la IA tiene muchas aplicaciones en las actividades de captura de carbono, es importante señalar que también deben tenerse en cuenta las emisiones asociadas al funcionamiento de la propia IA. De lo contrario, contribuirán al calentamiento global en lugar de mitigarlo.
Aumento de la seguridad y la eficiencia de las operaciones petroquímicas mediante gemelos digitales
El «gemelo digital» es una tecnología basada en IA que se utiliza para crear réplicas virtuales de alta fidelidad de espacios físicos con el fin de analizar datos en tiempo real y predecir resultados. En la industria petroquímica, estas réplicas permiten la simulación, el análisis y la optimización de procesos químicos complejos. Al integrar datos operativos detallados y la cinética de las reacciones, el gemelo digital proporciona información sobre los sistemas de las plantas de fabricación en condiciones variables.
El software de gemelos digitales ha madurado significativamente en los últimos años, y muchas industrias están aprovechando las capacidades predictivas que ofrecen estas simulaciones. La implementación exitosa de gemelos digitales en la fabricación petroquímica depende de varias tecnologías críticas:
- Plataformas de simulación de alta fidelidad: Herramientas de software como Aspen HYSYS, gPROMS y AVEVA integran una cinética química y una termodinámica detalladas, creando réplicas virtuales precisas de las operaciones petroquímicas.
- Integración de IoT y sensores: Las extensas redes de sensores proporcionan flujos de datos en tiempo real, actualizando continuamente el gemelo digital para reflejar con precisión el estado operativo actual.
- Integración de aprendizaje automático e IA: Los análisis basados en IA mejoran las capacidades predictivas, permitiendo que los gemelos digitales anticipen perturbaciones operativas y optimicen el rendimiento de la planta de forma proactiva.
Estas innovaciones permiten a las empresas petroquímicas implementar el mantenimiento predictivo y la gestión de activos. Los gemelos digitales pueden incluso mejorar la seguridad al predecir fallos en los equipos antes de que ocurran, programar el mantenimiento de forma proactiva y reducir significativamente el tiempo de inactividad y los costes operativos. También incorporan análisis en tiempo real, lo que permite el ajuste dinámico de los procesos para optimizar el rendimiento y reducir el consumo de energía. Por ejemplo, al facilitar el modelado detallado de los craqueadores de etileno, los gemelos digitales maximizan la utilización de la materia prima y el rendimiento del producto mediante ajustes operativos precisos.
Aceleración del descubrimiento y la reutilización de fármacos mediante modelos de IA
La reutilización de fármacos ha sido durante mucho tiempo una estrategia exitosa en el desarrollo farmacéutico. Sin embargo, a menudo requiere un trabajo lento y laborioso de revisión de observaciones clínicas y literatura científica, seguido de pruebas y validaciones exhaustivas. Gracias a la IA aplicada a la ciencia, las empresas farmacéuticas pueden predecir ahora las indicaciones y contraindicaciones de los fármacos de forma más eficiente, a veces incluso sin necesidad de nuevos parámetros o datos, mediante un método conocido como «inferencia de disparo cero» (zero-shot inference).
Las aplicaciones de la IA en la reutilización de fármacos incluyen:
- Modelos basados en IA que utilizan grafos de conocimiento para evaluar más enfermedades y posibles candidatos a fármacos con mayor rapidez de lo que podrían hacerlo los investigadores humanos por sí solos.
- Identificación de candidatos para la reutilización mediante biología de redes de datos genéticos para identificar múltiples fármacos que actúen sobre diversas partes de la vía de una enfermedad.
- Farmacología múltiple (polifarmacología): los investigadores pueden explorar efectos fuera de la diana que pueden utilizarse en combinación con otro fármaco.
El éxito de estos esfuerzos depende en gran medida de la disponibilidad de datos de calidad, lo que sigue siendo un reto. Según algunas estimaciones, el 55 por ciento del conocimiento organizativo son «datos oscuros», información no estructurada acumulada a lo largo del tiempo. Por lo general, al no estar armonizados y almacenarse en sistemas inconexos, los datos oscuros suelen tener una accesibilidad limitada, lo que dificulta su integración en las estrategias de IA.
La complejidad del cuerpo humano y los retos asociados a las enfermedades que carecen de tratamientos viables hacen que la capacidad computacional de la IA sea crucial para identificar nuevos usos para medicamentos ya establecidos.
Visión artificial para el análisis microestructural con el fin de mejorar la seguridad y la calidad
En la investigación de ciencia de materiales, la visión artificial utiliza la IA para procesar grandes volúmenes de datos visuales, como imágenes microscópicas o espectroscópicas, con el fin de identificar propiedades, estructuras y defectos de los materiales. Este tipo de análisis ha sido durante mucho tiempo un paso vital para comprender las propiedades mecánicas de los materiales y desempeña un papel fundamental en la seguridad, la selección de materiales y el control de calidad. El tamaño y la distribución del grano, por ejemplo, son factores importantes en la resistencia y ductilidad de los materiales, y sectores como el aeroespacial y el electrónico requieren análisis microestructurales extremadamente específicos y precisos de los materiales y componentes.
La visión artificial basada en IA está revolucionando este proceso. Lo que tradicionalmente ha sido un procedimiento manual que requiere mucho tiempo puede completarse ahora de forma más rápida y precisa, automatizando tareas como la identificación de fases y la clasificación de microestructuras. Los algoritmos de visión artificial pueden localizar e identificar defectos, como grietas, huecos y partículas extrañas. También pueden segmentar partículas de grano individuales dentro de una microestructura, detectar las diferentes fases del material presentes y permitir diversas capacidades cuantitativas utilizando características aprendidas por la máquina.
Para los fabricantes, el análisis microestructural mediante visión artificial mejora el control de calidad al confirmar que los materiales cumplen determinadas especificaciones. Al identificar posibles defectos con mayor rapidez que un análisis realizado por humanos, estos sistemas pueden ayudar a garantizar la integridad de los materiales en condiciones extremas, como en los reactores nucleares, o confirmar la estabilidad de los materiales soldados.
El futuro de la IA en la ciencia: transformador y sorprendente
Los avances tecnológicos y los descubrimientos científicos siempre han ido de la mano y, a medida que las tecnologías basadas en IA siguen mejorando, se espera que transformen aún más muchas áreas de la investigación científica.
Como podemos observar en los ejemplos anteriores, no existe un enfoque único para aplicar la IA a la ciencia. Es probable que su impacto se perciba de distintas formas en todo el espectro de las disciplinas científicas e informáticas, desde la minería, integración, análisis y optimización de datos hasta las simulaciones, visualizaciones, análisis predictivos y modelado.
En CAS, analizamos constantemente la CAS Content CollectionTM, el mayor repositorio de información científica curado por expertos, para comprender mejor el panorama investigador y cómo la IA marca diferencias significativas en campos que van desde la sanidad hasta la ciencia de materiales. Gracias a nuestra capacidad para observar de primera mano las innovaciones más punteras, nos entusiasma ver hacia dónde llevará la IA al descubrimiento científico en 2025 y más allá.
