En el dinámico campo de las ciencias de la vida, tanto la investigación biológica como la IA se están uniendo para alterar nuestra perspectiva de la vida en su nivel más básico. El Dr. Markus Gershater, cofundador y director científico de Synthace, arroja luz sobre los desafíos y oportunidades que presenta esta unión. Synthace, una plataforma sin código con sede en el Reino Unido, permite el diseño y ejecución de experimentos, para posteriormente producir y analizar datos estructurados.

Dado el potencial de la IA para revolucionar nuestro enfoque de los sistemas biológicos, también destaca la necesidad de un cambio en nuestros métodos y pensamiento científicos. Como nos han enseñado los cambios tecnológicos pasados, como la electrificación, simplemente adoptar nueva tecnología no es el objetivo final. El verdadero valor surge cuando la tecnología se combina con nuevos enfoques y perspectivas. En esta entrevista, el Dr. Gershater analiza un futuro en el que la IA se convierta en una parte integral de la biología, no solo en un complemento.

Andrii: Dr. Gershater, usted domina tanto la bioquímica como la biología sintética mientras navega en un mundo tecnológico vertiginoso. En su opinión, ¿cuál es la promesa más interesante que la IA encierra para la biotecnología?

Markus: La promesa es que, simplemente, la IA nos brindará conocimientos sobre biología que actualmente son imposibles y que aún no podemos empezar a imaginar. También es interesante, pero secundario, cómo provocará cambios en la forma en que trabajamos. La razón por la que digo esto es porque mi creencia subyacente aquí es que, en este momento, la IA y la investigación biológica aún no encajan adecuadamente.

La IA es una tecnología que fundamentalmente exige un cambio por parte de las personas que quieren utilizarla, por lo que para que la IA tenga un impacto fundamental en la biología, realmente tenemos que cambiar la forma en que abordamos el proceso de la ciencia en primer lugar. Me parece que las organizaciones y los equipos tendrán que adoptar nuevas mentalidades, nuevos procesos y nuevas herramientas.

Hay algunas empresas que, hoy en día, ya exhiben muchas de las características requeridas de las empresas que miran hacia el futuro en términos de cómo piensan sobre la forma en que recopilamos datos sobre los sistemas biológicos. Piense en empresas como Recursion e Insitro, que han creado plataformas automatizadas completas en torno a esto. Totalmente digitalizados, están diseñados para crear sistemáticamente una mayor comprensión de los sistemas biológicos.

Nos dan una idea de cómo será el futuro: la generación rutinaria de datos multidimensionales, grandes, variados y de alta calidad, en el contexto completo de metadatos enriquecidos. Datos que proporcionan la base para la IA y un cambio radical en nuestra capacidad para comprender y trabajar con sistemas biológicos.

Andrii: Por supuesto, cada lado positivo tiene una nube. ¿Cuáles cree que son los mayores desafíos para llevar la IA al mundo de la bioingeniería? ¿Cómo puede la industria, incluida Synthace, abordar mejor estos obstáculos?

Markus: Recientemente realizamos una investigación que encontró que un asombroso 43% de los tomadores de decisiones de I+D tienen poca confianza en la calidad de los datos de sus experimentos. Esto es preocupante porque no sólo exige que mejoremos nuestros medios para registrar los datos de los experimentos, sino que también exige que realicemos experimentos que generen datos de mayor calidad en primer lugar. De ello se deduce que para comprender estos datos correctamente también necesitamos un alto nivel de granularidad sobre cómo se crearon: los metadatos sobre la experimentación deben recopilarse automáticamente en la medida de lo posible.

En el contexto de la IA, esto es un problema. El alcance de los posibles usos de la IA en la biotecnología es enorme y puede aplicarse de innumerables maneras en todos los aspectos de la cadena de valor. Decir “necesitamos usar IA” es como decir “necesitamos usar electricidad”: obvio e inútil a menos que hables de detalles. Mucho más significativo es "necesitamos aplicar grandes modelos de lenguaje para mejorar las interfaces de usuario de nuestros complejos equipos y metodologías" o "deberíamos utilizar el aprendizaje activo para optimizar el desarrollo de ensayos para el descubrimiento temprano".

“Necesitamos usar IA” corre el peligro de convertirse en una especie de llamado vacío a las armas, sin reconocer todos los cambios que serán necesarios para hacer realidad la tan promocionada revolución. En la segunda revolución industrial, la electricidad por sí sola era insuficiente para aumentar la productividad. Primero, la gente debía darse cuenta de que ofrecía una forma de cambiar su forma de trabajar. Las fábricas ya no tenían que estar dispuestas alrededor de enormes ejes de transmisión impulsados ​​por máquinas de vapor. En lugar de ello, podrían organizarse en líneas de producción. Fue la combinación de nueva tecnología (electrificación) y nuevas formas de trabajar (líneas de producción y separación del trabajo) lo que permitió el cambio radical en la productividad.

Para Synthace, nuestro enfoque está firmemente en el experimento en sí. ¿Cómo podemos recopilar, generar y estructurar datos de alta calidad para exportarlos a sistemas que sean capaces de utilizarlos más que los datos francamente limitados y limitantes disponibles en la actualidad? Para continuar con la analogía anterior, ¿cómo podemos adaptar la fábrica para aprovechar al máximo la electricidad?

Andrii: Hablando de desafíos, no se puede negar que la complejidad de los sistemas biológicos genera una cantidad vertiginosa de datos. ¿Cuál es su opinión sobre el mejor enfoque para manejar esta sobrecarga de datos y dónde entra en escena la IA?

Markus: La complejidad de la biología surge de las interacciones de sus componentes más simples, dando lugar a propiedades y comportamientos únicos. Estas características emergentes no se pueden predecir de manera confiable a partir de componentes individuales, lo que requiere un conjunto de datos completo e interconectado para una comprensión más profunda de los sistemas biológicos.

Gran parte de los grandes datos producidos en biología son estudios multiómicos: instantáneas moleculares muy detalladas de un sistema. Pero, aparte de los datos genómicos, todas estas lecturas son muy dinámicas: cambian con el tiempo y en respuesta a una multitud de estímulos. Para comprender verdaderamente un sistema biológico, debemos comprender su dinámica a medida que cambian una serie de factores. No podemos simplemente medir muchas cosas, tenemos que medirlas en el contexto de este panorama multifactorial, ejecutando sistemáticamente experimentos que mapeen el espacio y permitan a la IA "ver" lo que está sucediendo.

Simplemente secuenciar algo no es suficiente; también debemos fijarnos en cómo funciona, interactúa y reacciona ante diferentes estímulos. En nuestra búsqueda por comprender las complejidades de los procesos biológicos, está claro que los datos unidimensionales por sí solos no nos llevarán muy lejos en este camino de investigación. Lo ideal sería tener datos grandes, variados, dinámicos y de alta calidad, enriquecidos con el mayor contexto experimental posible, de modo que futuros análisis impulsados ​​por IA, aún inimaginables, puedan hacer el mayor uso posible de los datos actuales.

Andrii: Finalmente, la idea de que la IA podría cambiar toda nuestra comprensión del universo es un poco confusa. ¿Puedes profundizar un poco más en ese concepto? ¿Cómo podría la IA transformar la forma en que interactuamos con todo, desde los sistemas biológicos hasta el mundo que nos rodea?

Markus: El rumor en torno a la IA/ML es notablemente fuerte y, sin duda, será transformador al aportar nuevos conocimientos a la biología. Pero como he dicho, todavía tenemos que ver la plena realización de su potencial. El trabajo de la biología y los datos/metadatos que produce es difícil de representar en código y de digitalizar. Si no podemos hacerlo, la IA/ML sigue siendo una quimera que sigue siendo dominio exclusivo de las "grandes tecnologías". El volumen de datos, y también la calidad de los datos que podemos proporcionar a esas herramientas de inteligencia artificial y aprendizaje automático, determina la probabilidad de descubrir algo interesante.

¿Existe alguna manera de habilitar y controlar todo el ciclo de vida del experimento de un extremo a otro? ¿Existe alguna manera de permitir la experimentación multifactorial, la automatización sofisticada y la IA/ML con un único estándar unificador? ¿Existe alguna manera de elevar al científico para que pueda dedicar más tiempo a lo que más importa, aplicando más de sus talentos individuales a los problemas más difíciles de hoy con todo el poder de la informática moderna?

En el caso de que seamos capaces de adaptarnos de la manera correcta a las posibilidades creadas por estas herramientas, podremos comenzar a cartografiar paisajes biológicos completos de la noche a la mañana, utilizando los datos y metadatos resultantes para predecir resultados futuros. Probablemente llegará un momento en esta década en el que la IA pueda predecir el mejor diseño de experimento posible incluso antes de que entremos al laboratorio. Si esto sucede, el resultado serán avances científicos que desafían lo creíble según los estándares actuales.

Temas: Tecnologías emergentes   

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.biopharmatrend.com/post/709-interview-with-markus-gershater-from-synthace/