Los nuevos asistentes de investigación basados en inteligencia artificial pueden proponer hipótesis, priorizar experimentos y analizar resultados para que los equipos humanos los revisen y validen.
Los primeros resultados se han centrado en biomedicina, con ejemplos en leucemia mieloide aguda, fibrosis hepática, resistencia antimicrobiana y degeneración macular seca asociada a la edad.
Las herramientas de inteligencia artificial han empezado a modificar muchos ámbitos de la investigación biomédica. Inicialmente, estas herramientas permitieron desarrollar sistemas capaces de resumir literatura o extraer información de bases de datos. Posteriormente, han sido utilizadas también en análisis de información. En genómica, por ejemplo, tienen un papel muy relevante en la interpretación de datos genómicos para acelerar el diagnóstico. En los últimos meses, las nuevas generaciones de asistentes basados en modelos de lenguaje empiezan a asumir tareas más complejas dentro del proceso científico, como plantear hipótesis o proponer experimentos.
El desarrollo de nuevos asistentes de investigación basados en inteligencia artificial llega en un momento propicio. La producción científica y obtención de datos crece a un ritmo difícil de abarcar. En campos como la genética, la biología molecular o el desarrollo de fármacos, los equipos de investigadores necesitan integrar resultados procedentes de registros clínicos, artículos, bases de datos, ensayos in vitro…Conectar toda esta información representa uno de los principales retos de la investigación biomédica.
En este contexto, la revista Nature ha publicado los primeros resultados de dos sistemas de inteligencia artificial diseñados para asistir en diferentes etapas de la investigación científica: Co-Scientist, desarrollado por Google DeepMind, Google Research, Google Cloud AI Research y colaboradores, y Robin, desarrollado por FutureHouse y colaboradores. Ambos se basan en arquitecturas multiagente, es decir, conjuntos de agentes especializados que colaboran para realizar tareas complementarias.
Co-Scientist: un asistente de IA para generar, debatir y refinar hipótesis científicas
Co-Scientist es un sistema multiagente construido sobre Gemini y diseñado como un motor de razonamiento científico estructurado. El sistema recibe un objetivo de investigación en lenguaje natural, revisa la literatura y otros recursos y genera hipótesis y propuestas experimentales que deben ser evaluadas por científicos humanos.
Uno de los elementos centrales de Co-Scientist es el denominado “torneo de hipótesis”. En lugar de generar una única respuesta, el sistema propone diferentes posibilidades, las contrasta entre sí mediante debates simulados y prioriza aquellas que considera más plausibles, verificables y útiles. Los autores señalan que Co-Scientist puede incorporar objetivos, restricciones y comentarios de los investigadores, lo que mantiene el papel del científico dentro del proceso.
Co-Scientist: inteligencia artificial en reposicionamiento de fármacos y otros escenarios de investigación
Los primeros ejemplos de Co-Scientist en acción abarcan diferentes áreas biomédicas como el reposicionamiento de fármacos en cáncer, la identificación de dianas terapéuticas en fibrosis hepática o la explicación de mecanismos relacionados con la resistencia antimicrobiana.
Uno de los ejemplos más destacados, presentado en el artículo de Nature, es la propuesta de candidatos de fármacos para la leucemia mieloide aguda. En este caso, Co-Scientist fue utilizado para identificar medicamentos ya aprobados o compuestos con potencial actividad frente a esta enfermedad hematológica agresiva. Tras revisar la información biomédica y priorizar diferentes opciones, el sistema propuso candidatos individuales y combinaciones terapéuticas que posteriormente fueron evaluados en laboratorio en líneas celulares de leucemia mieloide aguda.
Entre los compuestos analizados, binimetinib, pacritinib y cerivastatina mostraron capacidad para reducir la viabilidad de células tumorales en ensayos in vitro. Además, Co-Scientist sugirió KIRA6, un inhibidor de IRE1α, como posible candidato para determinados subtipos celulares, con una respuesta especialmente marcada en células KG-1a. Los autores señalan, no obstante, que estos resultados constituyen una validación experimental inicial y que cualquier posible aplicación clínica requeriría estudios preclínicos y clínicos rigurosos.
Más allá de la leucemia mieloide aguda, Co-Scientist también ha sido evaluado en otros problemas biomédicos. En fibrosis hepática, el sistema propuso posibles dianas epigenéticas y fármacos asociados con actividad antifibrótica, entre ellos vorinostat, un medicamento ya aprobado para una indicación oncológica que mostró resultados favorables en organoides hepáticos humanos.
En investigación sobre resistencia antimicrobiana, Co-Scientist planteó una hipótesis sobre cómo ciertos elementos genéticos móviles bacterianos podrían ampliar su rango de hospedador mediante la interacción con diferentes colas de fagos, una explicación que coincidió con hallazgos experimentales obtenidos de forma independiente por investigadores humanos. Estos ejemplos ilustran la capacidad del sistema para conectar información dispersa y generar hipótesis verificables en áreas distintas de la biomedicina.
Robin: un sistema multiagente para biología experimental y reposicionamiento de fármacos
El asistente de investigación Robin, desarrollado por FutureHouse y colaboradores, está más orientado a la biología experimental. Su objetivo es conectar la generación de hipótesis con la interpretación de datos experimentales en un ciclo continuo. Y para ello integra agentes de búsqueda bibliográfica con un agente de análisis de datos. Según sus desarrolladores, Robin puede proponer mecanismos de enfermedad, sugerir ensayos in vitro, priorizar candidatos terapéuticos, analizar datos generados en el laboratorio y utilizar esos resultados para proponer una siguiente ronda de hipótesis.
Como prueba de concepto los autores utilizaron Robin en el estudio de la degeneración macular asociada a la edad seca, una causa importante de pérdida irreversible de visión en países desarrollados. Tras revisar la literatura e identificar mecanismos relevantes, el sistema propuso aumentar la fagocitosis del epitelio pigmentario de la retina como posible estrategia terapéutica. Además, para materializar su propuesta sugirió compuestos ya existentes. En una primera ronda, Robin propuso candidatos como Exendin-4, fingolimod, MFGE8, Y-27632 y la combinación de AICAR y TUDCA. Tras los experimentos, el agente Finch analizó los datos de citometría de flujo y ayudó a interpretar los resultados. Posteriormente, Robin propuso nuevas pruebas y candidatos. En esa iteración, se identificaron varios compuestos con resultados preliminares prometedores en cultivo celular.
Los autores subrayan que los resultados obtenidos no implican eficacia clínica. Puesto que las observaciones proceden de modelos celulares, requieren validación preclínica y ensayos clínicos antes de considerar cualquier aplicación terapéutica en pacientes. En este sentido, Robin funciona como un circuito: la IA propone, pero el laboratorio, los controles experimentales y la revisión humana siguen siendo esenciales.
Kosmos: un paso hacia asistentes con memoria estructurada y análisis de datos a gran escala
Junto a Co-Scientist y Robin, otro sistema reciente ilustra hacia dónde se dirige esta línea de trabajo. Kosmos, desarrollado por Edison Scientific y colaboradores, se presenta como un “científico de IA” para descubrimiento autónomo basado en datos. A diferencia de Robin, que se centraba principalmente en desarrollo terapéutico, Kosmos incorpora un modelo estructurado del mundo para compartir información entre agentes de búsqueda bibliográfica y análisis de datos.
Según indican sus creadores en un reciente artículo, depositado en arXiv (todavía no revisado por expertos), Kosmos puede trabajar durante hasta 12 horas sobre un objetivo abierto y un conjunto de datos, realizar ciclos paralelos de análisis, búsqueda de literatura y generación de hipótesis, y sintetizar sus resultados en informes científicos. En sus evaluaciones, ejecutó de media unas 42.000 líneas de código y leyó alrededor de 1.500 artículos por ejecución, con todas las afirmaciones enlazadas a código o literatura primaria. Investigadores independientes consideraron correctas el 79,4% de las afirmaciones incluidas en informes representativos.
Kosmos aborda una de las limitaciones actuales de los asistentes como Co-scientist y Robin: mantener coherencia durante tareas largas y con muchos pasos. Sus propios autores, no obstante, advierten de otras limitaciones importantes. El sistema puede realizar afirmaciones demasiado fuertes, tiene menor precisión en interpretaciones complejas y depende mucho (como todos) de la calidad y formato de los datos de entrada.
¿Cuáles son las ventajas y límites de los asistentes de investigación con Inteligencia Artificial?
La principal ventaja de Co-Scientist, Robin y sistemas similares es su capacidad para recorrer grandes volúmenes de información y convertirlos en hipótesis comprobables. En reposicionamiento de fármacos, esta capacidad puede ser especialmente útil porque muchas conexiones entre un mecanismo biológico y un medicamento existente están dispersas en la literatura. En Robin, por ejemplo, el flujo de trabajo analizó cientos de referencias en menos tiempo del que requeriría una revisión manual equivalente.
Otra utilidad es la priorización. En investigación biomédica, el número de combinaciones posibles de genes, rutas, compuestos, modelos celulares y condiciones experimentales suele ser muy superior a lo que un laboratorio puede probar. Estos asistentes pueden ordenar posibilidades, justificar por qué unas merecen más atención que otras y proponer experimentos iniciales. También pueden documentar mejor la trazabilidad de una hipótesis cuando citan literatura, código o resultados concretos.
Sin embargo, como se ha mencionado, las limitaciones todavía son relevantes. Los modelos pueden generar conexiones plausibles pero incorrectas, depender de literatura incompleta o sesgada y no siempre distinguir entre una señal interesante y una conclusión biológicamente sólida. En biomedicina, además, un resultado in vitro es solo una primera prueba. La seguridad, la eficacia, la dosis, la biodisponibilidad y la respuesta en organismos completos requieren estudios adicionales.
Por otra parte, como ocurre con la mayoría de aplicaciones que implican herramientas de IA, y especialmente aquellas en desarrollo, también existe un componente de responsabilidad. Estos sistemas pueden ayudar a identificar compuestos, mecanismos o rutas con relevancia terapéutica y a acelerar estos procesos, pero no sustituyen otros aspectos como la revisión de expertos, los comités éticos, la regulación ni los estándares de validación preclínica y clínica. Los propios desarrolladores insisten en mantener al científico dentro del ciclo de decisión.
Asistentes para ampliar la capacidad científica
Co-Scientist y Robin muestran una transición importante en el uso de la inteligencia artificial en investigación. Han permitido un salto cualitativo desde resumir artículos o responder preguntas a participar en ciclos de trabajo más cercanos al método científico.
De momento, los ejemplos publicados son prometedores, especialmente en el reposicionamiento de fármacos y biología experimental. La cuestión será cómo se integrarán estos asistentes en la práctica de los laboratorios.
Artículos científicos
Ghareeb, A.E., Chang, B., Mitchener, L. et al. A multi-agent system for automating scientific discovery. Nature. 2026. DOI: https://doi.org/10.1038/s41586-026-10652-y
Gottweis, J., Weng, WH., Daryin, A. et al. Accelerating scientific discovery with Co-Scientist. Nature. 2026. https://doi.org/10.1038/s41586-026-10644-y
Mitchener L, et al. Kosmos: An AI Scientist for Autonomous Discovery. ArXiv. 2025. DOI: https://doi.org/10.48550/arXiv.2511.02824
Otras fuentes
Co-Scientist: A multi-agent AI partner to accelerate research. https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/
