Inteligencia artificial y biología: el potencial de la inteligencia artificial para marcar el comienzo de una nueva era para la salud y la medicina

Teóricamente, se puede estimar que existen más interacciones biológicas únicas que estrellas en nuestro universo conocido.

Los fundamentos biológicos de la vida se construyen sobre una red inimaginablemente vasta de interacciones, donde moléculas, células, sistemas y organismos chocan constantemente.

Durante siglos, los científicos y médicos se han basado en técnicas específicas y observaciones aisladas. A través de descubrimientos lentos, iterativos y colaborativos a lo largo de generaciones, hemos desarrollado nuestra comprensión de la biología, aplicando conocimiento fraccionado para permitir enfoques que cambian la vida solo para un subconjunto de estados patológicos y disfunciones.

La humanidad está entrando ahora en una nueva era de descubrimientos científicos, utilizando la inteligencia artificial para aprender y razonar sobre desafíos biológicos complejos.

Inteligencia artificial

Implementaciones bien pensadas revelan nueva información para resolver problemas importantes en la intersección de la biología y la medicina.

El uso de la inteligencia artificial nos permite organizar y percibir la complejidad de las interacciones biológicas en una escala mayor de la que el cerebro humano es capaz de realizar de forma innata. Estos marcos están respaldados por cada vez más datos experimentales que son posibles gracias a la rápida mejora de las tecnologías analíticas.

Un ejemplo ampliamente difundido de IA en biología es el Premio Nobel de Química 2024 por AlphaFold, un modelo de IA que predice estructuras e interacciones de proteínas basándose en regularidades estadísticas en datos estructurales y evolutivos.

Las proteínas, responsables de la gran mayoría de las interacciones biológicas, ahora pueden investigarse sistemáticamente prácticamente en horas o días. Esto evita las metodologías convencionales que requieren semanas, meses o incluso años de esfuerzo.

Demis Hassabis, cofundador y director ejecutivo de Google DeepMind, desarrollador de AlphaFold y AlphaGenome, habla en el evento Google I/O en Mountain View, California, en mayo de 2025. (Foto AP/Jeff Chiu)

AlphaGenome, otro de los modelos impulsados ​​por IA de Google DeepMind, ahora permite a los investigadores predecir de manera rápida y eficiente cómo las variantes genéticas contribuyen a los paisajes genéticos que provocan enfermedades y disfunciones.

Estos enfoques disruptivos de IA (y otros) ya se están aplicando ampliamente en el cáncer, la enfermedad de Alzheimer, la respuesta a una pandemia y más.

Correlación versus causa y efecto

Es importante destacar que el campo de la inteligencia artificial está actualmente dominado por enfoques de modelado que son de naturaleza estadística; es decir, estos modelos aprenden correlaciones, no causa y efecto.

Esta distinción es importante. Los modelos estadísticos están limitados por el contexto en el que pueden aplicarse.

Esto nos lleva a la principal pregunta general en el campo actual: ¿cómo capturamos la causa y el efecto de cada interacción que existe dentro de esta nebulosa red que llamamos biología?

Las soluciones contemporáneas a este problema se exploran a través de marcos informáticos híbridos. Estos son modelos que combinan el conocimiento estructurado limitado que tenemos sobre los sistemas biológicos y cómo funcionan con conjuntos de datos multimodales.

Pero ¿a qué me refiero con conocimiento? Desde la perspectiva de las ciencias físicas, se establecen mecanismos causales o leyes fundamentales en la física, la química y la biología.

Desde una perspectiva médica, mecanismos establecidos de progresión de la enfermedad o envejecimiento.

¿Y los conjuntos de datos multimodales? Datos obtenidos para observar la biología y la medicina desde diferentes perspectivas. Estos podrían ser:

Imágenes de biología que informan sobre las características espaciales de estados sanos o enfermos.

Datos cuantitativos que informan la expresión de metabolitos, genes, proteínas, epigenética u otros aspectos de lo que constituye la identidad y función biológica.

Datos médicos que informan las variables generales que pueden (o no) desempeñar un papel en la aparición y progresión de la enfermedad.

Estos son sólo algunos ejemplos. Como puedes imaginar, esta no es una tarea sencilla.

Los investigadores están intentando entrenar inteligencia artificial para comprender cómo interactúan las redes de genes para crear identidad celular en más de 150 millones de células de diferentes órganos del cuerpo. (Unsplash+/Aakash Dhage) Entrenando un modelo de IA

El Arc Institute es uno de varios grupos que se ocupan de este estudio de las representaciones biológicas a nivel celular.

Los investigadores del Arc Institute están entrenando inteligencia artificial para comprender cómo interactúan las redes de genes para crear identidad celular en más de 150 millones de células de diferentes órganos del cuerpo.

Luego, los investigadores realizan perturbaciones: realizando perturbaciones informadas en biología para comprender las causas y efectos que impulsan el cambio biológico. Estos cambios tienen implicaciones para la función o identidad celular.

Los datos obtenidos de estos experimentos representan mecanismos causales en biología.

Esto significa informar la causa y el efecto directos, además de los mecanismos compensatorios (cómo la biología intenta adaptarse en respuesta al cambio) y la variación biológica (cómo una célula puede diferir en su respuesta de otra).

Esos resultados se integran en la arquitectura del modelo para optimizar qué tan bien aprende a predecir una representación estadístico-causal del estado celular. Es decir, una representación que está causalmente informada, pero que también incluye representaciones estadísticas de cómo interactúan una gran cantidad de características (variables de entrada).

Este enfoque y otros similares están revolucionando rápidamente los campos de la biología y la medicina.

Sin embargo, la biología es muy compleja. La pregunta sigue siendo cómo relacionamos un aspecto del estado biológico del ser (como los genes expresados ​​para una determinada identidad o función celular) con muchos otros aspectos que impulsan la identidad y la función en contextos biológicos.

Extraordinaria complejidad

Es innegable que los sistemas de inteligencia artificial conscientes de la causalidad tienen el potencial de acelerar el descubrimiento de fármacos, optimizar las recomendaciones de tratamientos personalizados e incluso ofrecer nuevas soluciones mecanísticas en toda la ciencia y la medicina biomédicas.

Sin embargo, existen desafíos importantes para lograr estos resultados. Los sistemas biológicos son extremadamente complejos.

Estos sistemas son de alta dimensión, lo que significa que funcionan en la intersección de una gran cantidad de variables. También son confusos, porque la variación biológica dificulta separar la información importante del ruido.

Además, la biología es rica en mecanismos compensatorios que están arraigados en nuestra evolución, ya que la biología intenta corregir o compensar cuando una variable sale mal.

Incluso la evidencia causal limitada es difícil de distinguir de la correlación en sistemas biológicos, experimentalmente en el laboratorio o médicamente en la clínica.

Hay otros desafíos:

Datos insuficientes o falta de información crítica dentro de los conjuntos de datos existentes.

Inconsistencias y sesgos en la recopilación de datos, que incluyen, entre otros, subrepresentación y sesgos de perspectiva en muchos contextos.

Ética en inteligencia artificial, un tema sobre el que se podrían escribir libros sobre salud, medicina y todo lo demás.

La pregunta sigue siendo: ¿cómo podemos implementar, interpretar y traducir de manera confiable estos sistemas en soluciones, a la luz de todos estos obstáculos?

Competencia regenerativa

Los renos regeneran sus astas, tanto estacionalmente como después de lesiones. (Foto AP/Malin Haarala)

Nuestro propio equipo, el laboratorio Biernaskie de la Universidad de Calgary, está aplicando estos mismos enfoques.

Estudiamos cómo los renos regeneran sus astas, tanto estacionalmente como después de una lesión. Nuestro trabajo es primero modelar, predecir y luego facilitar esta competencia regenerativa en los humanos.

Nuestro primer objetivo es regenerar la piel sana en supervivientes de quemaduras o mejorar significativamente los resultados de curación.

Las quemaduras graves provocan cicatrices fibrosas, un mecanismo evolutivo que preserva la vida al minimizar el riesgo de hemorragia e infección. El resultado es un tejido cicatricial disfuncional sin glándulas sudoríparas, folículos pilosos o la mayoría de los tipos de células que coordinan la piel sana.

Las quemaduras son más comunes en los niños y los efectos físicos, sociales y psicológicos de las quemaduras graves crean una carga importante para la vida de los supervivientes.

Otros laboratorios de todo el mundo se dedican a utilizar inteligencia artificial para resolver problemas complejos en salud y medicina, centrándose en una amplia gama de enfoques. Estos van desde una integración más profunda de datos a través de ómicas e imágenes hasta marcos teóricos y experimentales mejorados para validar mecanismos causales, validación cíclica sólida y predicciones avanzadas a través de experimentos preclínicos y marcos transparentes, justos y éticos.

Juntos, los profesionales de este campo transdisciplinario pueden estar en la cúspide de una nueva era de soluciones a algunos de los desafíos más difíciles de la salud y la medicina.