En un avance significativo para la investigación médica, científicos de Google DeepMind y la Universidad de Yale han utilizado una nueva IA para descubrir una posible vía de terapia contra el cáncer. El modelo de 27 mil millones de parámetros, llamado C2S-Scale 27B, se dio a conocer el 15 de octubre de 2025.
Analizó datos unicelulares para formar una hipótesis novedosa: un fármaco específico podría amplificar la capacidad del sistema inmunológico para atacar tumores que de otro modo serían”invisibles”. Luego, los investigadores validaron con éxito esta predicción generada por IA en experimentos de laboratorio.
Este éxito marca un momento crucial para”IA para la ciencia”. Muestra que los modelos grandes no sólo pueden procesar información sino también generar ideas originales y comprobables. Esto podría acelerar el desarrollo de nuevos tratamientos médicos y cambiar la forma en que se llevan a cabo las investigaciones biológicas.
De la pantalla virtual al descubrimiento validado
Un desafío central en la inmunoterapia contra el cáncer es que muchos tumores son”fríos”, es decir, efectivamente invisibles para el sistema inmunológico del cuerpo. Una estrategia clave es calentarlos obligándolos a mostrar señales que activan el sistema inmunológico a través de un proceso llamado presentación de antígenos.
Para encontrar una manera de hacerlo, los investigadores asignaron a C2S-Scale 27B una misión altamente específica. Diseñaron una “pantalla virtual de contexto dual” para encontrar un fármaco que actúe como un amplificador condicional, simulando los efectos de más de 4.000 fármacos.
La El enfoque de “contexto dual” fue clave. El modelo tenía que encontrar un fármaco que fuera eficaz sólo en un entorno relevante para el paciente con señales inmunitarias, pero ineficaz en un contexto de laboratorio aislado. Esta precisión requería un nivel sofisticado de razonamiento condicional.
El principal candidato de la IA era silmitasertib (CX-4945). El modelo predijo que aumentaría considerablemente la presentación de antígenos en el contexto objetivo, pero que de lo contrario tendría poco efecto. Se trataba de una hipótesis novedosa, ya que no se había informado previamente que el fármaco tuviera un vínculo con este mecanismo específico.
Para probar la predicción, el equipo llevó la hipótesis de la computadora a la mesa del laboratorio. Utilizaron modelos de células neuroendocrinas humanas, un tipo de célula que la IA nunca había encontrado durante su entrenamiento. Los resultados fueron una sorprendente confirmación de la hipótesis del modelo.
Este paso, pasar de una predicción por computadora (in silico) a una prueba de laboratorio (in vitro), es el estándar de oro para validar hipótesis biológicas impulsadas por la IA. Los experimentos demostraron que, si bien el fármaco o las dosis bajas de interferón por sí solos tenían poco efecto, su combinación producía una marcada amplificación sinérgica.
Leyes de escala y el amanecer de la biología generativa
El logro de Google proporciona evidencia poderosa para la teoría de las”leyes de escala”en biología. El concepto, que impulsó la reciente explosión de grandes modelos lingüísticos, postula que a medida que los modelos crecen, no sólo mejoran: pueden adquirir capacidades emergentes completamente nuevas.
Las capacidades emergentes son habilidades que no están programadas explícitamente pero que aparecen a medida que un modelo crece en tamaño y complejidad. Para C2S-Scale, esto significaba que podía realizar el razonamiento condicional necesario para comprender la lógica”si-entonces”del contexto inmunológico, una tarea que había eludido a modelos más pequeños.
El modelo C2S-Scale, construido sobre la arquitectura abierta Gemma 2 de Google, demostró esto generando una idea científica comprobable. Como explicó Shekoofeh Azizi de Google DeepMind,”este resultado también proporciona un modelo para un nuevo tipo de descubrimiento biológico”.
Esto representa un cambio fundamental de la IA como una mera herramienta de análisis de datos a un socio creativo en el descubrimiento científico. El éxito del modelo sugiere un futuro en el que la IA pueda ejecutar pantallas virtuales masivas para descubrir mecanismos biológicos complejos y dependientes del contexto.
El nuevo enfoque podría acortar drásticamente el camino desde la investigación inicial hasta pistas terapéuticas viables. El equipo afirmó que demuestra que los modelos más grandes”pueden crear modelos predictivos del comportamiento celular que son lo suficientemente potentes como para… generar hipótesis con base biológica”.
Una nueva herramienta en el ecosistema abierto de’IA para la ciencia’
El proyecto C2S-Scale 27B es parte de una tendencia industrial más amplia hacia la creación de IA especializada para dominios científicos. Google ha estado desarrollando activamente su”Gemmaverse”con modelos como TxGemma para el descubrimiento de fármacos. Esto refleja una estrategia centrada en aplicaciones específicas de alto impacto.
Microsoft está llevando a cabo una iniciativa similar de”IA para la ciencia”, lanzando herramientas como BiomedParse para el análisis de imágenes médicas y un modelo de detección de anomalías para detectar el cáncer de mama. Los esfuerzos paralelos subrayan un giro estratégico en toda la industria.
De acuerdo con el espíritu de la ciencia abierta, Google y Yale han hecho que el modelo C2S-Scale 27B, su código subyacente y el artículo de investigación estén disponibles públicamente en plataformas como Cara de abrazo y GitHub. Esto permite a la comunidad investigadora global aprovechar su trabajo.
Este enfoque abierto es crucial para la validación científica. Al lanzar las herramientas, Google y Yale invitan al escrutinio y la colaboración, lo que permite a otros investigadores replicar sus hallazgos y explorar nuevas hipótesis. Fomenta un entorno de investigación más transparente.
Si bien este descubrimiento es un logro histórico, el camino hacia la aplicación clínica es largo. La IA en la medicina enfrenta obstáculos importantes, desde garantizar la confiabilidad en el mundo real hasta navegar por la compleja ética de la privacidad de los datos de los pacientes, una preocupación resaltada por otras IA de salud a gran escala.
Como señaló el profesor Moritz Gerstung del DKFZ acerca de un modelo predictivo similar,”los modelos generativos como el nuestro podrían algún día ayudar a personalizar la atención y anticipar las necesidades de atención médica a escala”. Este trabajo, al pasar de la pura predicción al descubrimiento validado, acerca esa visión un paso crucial a la realidad.
