Inteligencia artificial biomédica · us
De responder preguntas a ejecutar simulaciones: Schrödinger presenta Bunsen, su asistente para la exploración molecular
Bunsen busca convertir los objetivos de investigación en flujos de trabajo ejecutables de modelado molecular, analizar los resultados de forma autónoma y definir los siguientes pasos; el sistema ya está disponible para un número reducido de clientes en fase de prueba, pero aún no existen datos independientes que respalden sus beneficios para acortar los plazos de desarrollo y aumentar la tasa de éxito de los candidatos a fármacos.
El cuello de botella en el diseño de fármacos no suele ser únicamente la falta de herramientas computacionales, sino cómo descomponer un problema biológico en pasos de cálculo adecuados y decidir el siguiente experimento a partir de una gran cantidad de resultados. Schrödinger ha presentado una versión de acceso anticipado de Bunsen con la intención de que la inteligencia artificial supere este obstáculo: además de responder las preguntas de los investigadores, puede planificar y ejecutar flujos de trabajo de simulación molecular.
Según Schrödinger, los investigadores pueden comenzar describiendo en lenguaje natural el objetivo científico, el contexto del proyecto y sus restricciones. A continuación, Bunsen selecciona los métodos computacionales apropiados, organiza un flujo de trabajo de varios pasos, asigna los recursos de cómputo y, por último, analiza y visualiza los resultados para proponer futuras líneas de investigación. Entre sus posibles aplicaciones se encuentran evaluar cómo se unen los compuestos a las proteínas, comparar moléculas candidatas o acotar el espacio de búsqueda antes de pasar a su síntesis y evaluación en el laboratorio.
La diferencia entre esta «IA agéntica» y las herramientas convencionales de preguntas y respuestas sobre literatura científica radica en que puede invocar software especializado e iniciar cálculos. Bunsen se basa en la plataforma de modelado molecular fundamentado en la física de Schrödinger. La empresa afirma que sus equipos internos de investigación de fármacos y materiales ya habían utilizado el sistema en distintos proyectos, con el objetivo de permitir que los químicos computacionales avancen simultáneamente en más tareas y que los investigadores de fármacos menos familiarizados con las operaciones de modelado puedan emplear métodos más complejos.
La infraestructura computacional procede de la colaboración de Schrödinger con NVIDIA y Google Cloud. Bunsen puede integrarse con NVIDIA BioNeMo Agent Toolkit y aprovechar los recursos de cómputo flexibles proporcionados por Google Cloud y el hardware NVIDIA Blackwell. La información publicada por separado por NVIDIA indica que BioNeMo permite que agentes de IA invoquen herramientas de generación molecular, acoplamiento, predicción de propiedades, diseño de proteínas y análisis genómico, entre otras, para ejecutar cálculos, interpretar los resultados y seleccionar después el siguiente paso. Schrödinger es uno de los proveedores de plataformas que están integrando estas capacidades en aplicaciones científicas.
Sin embargo, la evidencia publicada hasta ahora describe principalmente las funciones y el despliegue comercial. No incluye pruebas comparativas públicas, los conjuntos de datos empleados en la evaluación ni comparaciones con flujos de trabajo planificados por personas. Tampoco se ha revelado si Bunsen aumenta la tasa de éxito experimental, reduce el número de síntesis o acorta el tiempo que tardan los candidatos a fármacos en llegar a la investigación preclínica. Que los métodos de modelado mencionados por la empresa hayan sido validados no equivale a demostrar que la IA pueda seleccionar de manera consistente las herramientas adecuadas e interpretar correctamente los resultados en diferentes dianas y espacios químicos; las clasificaciones computacionales aún deben confirmarse mediante experimentos.
Por ahora, Bunsen solo está disponible para determinados clientes en régimen de acceso anticipado, y Schrödinger prevé su lanzamiento comercial general antes de finales de 2026. Antes de adoptarlo formalmente, las instituciones de investigación también deberán examinar la confidencialidad de los datos, el seguimiento de las versiones de los modelos y del software, la gestión de errores y la reproducibilidad de los flujos de trabajo. La posibilidad de que se convierta en un colaborador de investigación fiable no dependerá de cuántos pasos automatizados complete, sino de que cada paso pueda verificarse y de que las predicciones finales se cumplan en experimentos reales.