Investigación y descubrimientos Inteligencia artificial en la ciencia: cómo ayuda a investigar proteínas, materiales y el universo Por Rafael Garcia 16 de octubre de 2026 Por Rafael Garcia 16 de octubre de 2026 Guardar 216 Índice de contenidos La utilidad común: ordenar problemas con demasiados candidatosProteínas: una forma probable no equivale a entender su funciónMateriales: filtrar estructuras calculadas antes de fabricarlasEl universo: detectar patrones sin llamar planeta a cada señalCómo leer una noticia sobre «descubrimientos hechos por IA»Fuentes y transparencia La inteligencia artificial ayuda a investigar cuando reduce una búsqueda enorme a un conjunto de hipótesis que se pueden examinar. En proteínas propone estructuras; en materiales filtra composiciones y propiedades calculadas; en astronomía clasifica señales e imágenes para que los equipos estudien las más prometedoras. Ninguna de esas salidas convierte por sí sola una hipótesis en un hallazgo confirmado. La parte decisiva sigue siendo preguntar cómo se obtuvo el dato, qué errores puede cometer el modelo y qué observación independiente sostiene la conclusión. La utilidad común: ordenar problemas con demasiados candidatos Un telescopio produce imágenes y curvas de luz; un laboratorio puede describir millones de posibles estructuras atómicas; una secuencia de aminoácidos admite muchas conformaciones. Revisar cada candidato con la misma intensidad no siempre es viable. Un modelo aprende patrones de datos anteriores y asigna prioridades, pero hereda los límites de sus datos de entrenamiento y de la forma en que se definió «acierto». Por eso conviene distinguir tres verbos: predecir una propiedad, seleccionar un caso para comprobar y validar con métodos adecuados. Se parecen en una nota de prensa; en investigación ocupan etapas distintas. La IA tampoco actúa aislada. La calidad del instrumento, el diseño del experimento y la revisión de especialistas importan tanto como el algoritmo. Un resultado prometedor puede ser útil aunque luego se descarte: permite concentrar recursos y explicar por qué una propuesta falló. Nuestro artículo sobre asistentes de IA para documentos e informes trata otra tarea, la organización de información escrita. Aquí hablamos de inferir propiedades de objetos científicos y de contrastarlas con observaciones. Proteínas: una forma probable no equivale a entender su función Una proteína es una cadena de aminoácidos cuya disposición tridimensional ayuda a estudiar cómo puede interactuar con otras moléculas. AlphaFold 2 predice una estructura a partir de la secuencia y la base de datos de EMBL-EBI permite consultar modelos y sus medidas de confianza. La documentación de AlphaFold DB explica que la confianza varía por región; un valor alto en una parte no certifica toda la molécula ni la corrección biológica de una interpretación. Las zonas flexibles o desordenadas son especialmente difíciles de representar con una sola forma fija. El avance útil para un laboratorio consiste en empezar con un modelo que orienta el experimento. Puede sugerir qué región observar, qué estructura comparar o dónde hace falta una medición más fina. La formación de EMBL-EBI sobre validación describe la comparación con estructuras determinadas por métodos como cristalografía, criomicroscopía electrónica y resonancia magnética. Ese contraste es la parte que permite juzgar dónde funciona la predicción. Hay límites muy concretos. Según la propia base, un modelo de AlphaFold 2 no predice de forma fiable el efecto de cada mutación ni devuelve necesariamente todas las conformaciones que una proteína adopta. Tampoco una estructura predicha demuestra que un fármaco será eficaz o seguro. Si lees «la IA ha encontrado la cura» a partir de una figura molecular, busca el paso que falta: experimentos de unión, función, toxicidad y, si se trata de una intervención clínica, evidencia clínica. Son preguntas diferentes de la geometría de una proteína. Materiales: filtrar estructuras calculadas antes de fabricarlas En ciencia de materiales, una composición prometedora puede no ser estable, no poder sintetizarse en las condiciones previstas o no mostrar la propiedad que interesa. GNoME, descrito en un artículo de investigación en Nature, empleó redes neuronales para filtrar estructuras cristalinas y cálculos de teoría del funcional de la densidad para evaluar candidatos. El trabajo expandió mucho el catálogo computacional de estructuras plausibles. La palabra clave es computacional: un cristal propuesto en una base de datos no es una muestra obtenida, caracterizada y reproducida en el laboratorio. Entre la predicción y un material utilizable hay varios filtros: encontrar una ruta de síntesis, obtener la fase buscada, medir su composición y propiedades, repetir el resultado y comprobar si fabricar cantidades útiles es viable. El caso del laboratorio autónomo A-Lab ilustra tanto la oportunidad como la cautela. Su artículo original, actualizado tras una corrección de 2026, describe un sistema que combina cálculos, literatura, aprendizaje automático, robots y difracción de rayos X. La corrección de los autores revisó el título y el balance de resultados. Esa revisión obliga a citar la versión corregida y evita presentar todos los objetivos sintetizados como materiales completamente nuevos. El ejemplo enseña una lección más útil que una cifra llamativa: incluso cuando una máquina planifica y ejecuta pasos experimentales, identificar con precisión una fase y juzgar su novedad exige métodos y debate científico. El éxito de un flujo automatizado en un laboratorio concreto tampoco demuestra que cualquier sustancia predicha podrá fabricarse a escala industrial. El universo: detectar patrones sin llamar planeta a cada señal En la búsqueda de exoplanetas, el paso de un planeta frente a su estrella puede producir una pequeña caída periódica de brillo. Otros fenómenos e instrumentos también generan señales parecidas. NASA explica que ExoMiner++ analiza candidatos de los archivos Kepler y TESS para separar posibles tránsitos planetarios de falsos positivos. En su comunicación de enero de 2026, la agencia habla de miles de candidatos identificados en una primera ejecución con TESS. No los presenta como miles de planetas confirmados: requieren observaciones y análisis posteriores. La misma distinción se ve al estudiar imágenes de galaxias. La misión Euclid de la ESA combina IA, ciencia ciudadana y expertos para clasificar grandes conjuntos de datos y buscar candidatos a lentes gravitacionales. Una clasificación ayuda a decidir qué objeto inspeccionar; no sustituye la evaluación científica de cada candidato. La colaboración humana no es un detalle decorativo: puede detectar sesgos, artefactos de imagen y casos raros que el entrenamiento del modelo no cubrió bien. Si te interesa participar de forma directa, la guía de proyectos de ciencia ciudadana para explorar el universo muestra qué hacen los voluntarios. Aquí el foco es otro: el lugar de los modelos dentro de una cadena de observación, selección y comprobación. Cómo leer una noticia sobre «descubrimientos hechos por IA» La primera pregunta es qué produjo exactamente el sistema: una lista de candidatos, una estructura predicha, una medida automatizada o una muestra física. Después mira contra qué se comparó y si los datos de prueba eran independientes de los usados para entrenar. Una tasa de acierto en un conjunto controlado no describe automáticamente el rendimiento en proteínas nuevas, materiales con otra química o datos de otro telescopio. La tercera pregunta es qué significa «validado» en ese campo. En astronomía puede ser una validación estadística de un candidato, distinta de su confirmación mediante otras observaciones. En biología estructural se puede comparar un modelo con una estructura experimental sin haber probado todavía una función biológica. En materiales, un cálculo de estabilidad, la obtención de una muestra y el rendimiento de un dispositivo son hitos separados. Las palabras tienen un contexto técnico; reducirlas a «la IA descubrió» borra ese contexto. Finalmente, busca si existe publicación revisada, datos o código accesibles, correcciones posteriores y grupos independientes que hayan intentado reproducir el resultado. Un avance puede ser real y limitado al mismo tiempo. La contribución más sólida de la IA científica consiste en hacer mejores preguntas comprobables y dedicar experimentos a los candidatos con más fundamento. El descubrimiento se sostiene cuando esos experimentos y su interpretación resisten la revisión. Fuentes y transparencia Fuentes primarias consultadas el 16 de octubre de 2026: EMBL-EBI: preguntas frecuentes de AlphaFold DB EMBL-EBI: validación de predicciones AlphaFold 2 Nature: investigación original sobre GNoME Nature: artículo actualizado de A-Lab Nature: corrección de A-Lab publicada en 2026 NASA: ExoMiner++ y candidatos de TESS ESA: Euclid, IA y ciencia ciudadana La imagen de portada es una ilustración conceptual generada con IA. No representa datos, estructuras ni resultados científicos validados. 0 comments 0 FacebookTwitterPinterestEmail Rafael Garcia Seguir autor Responsable editorial de Gaia Genius Hub. Las fuentes y el alcance de cada publicación se indican en el contenido.
