IA conecta instrumentos de laboratorio y acelera la investigación

En un laboratorio de la Universidad Carnegie Mellon, en Pittsburgh, Pensilvania, el biólogo computacional Sina Barazandeh observó con asombro cómo un brazo robótico se deslizaba de un lado a otro. El brazo colocaba una placa de múltiples pocillos en un instrumento que llenaba los pocillos con líquido y luego llevaba la placa a un dispositivo distante que analizaba su contenido. No hubo intervención humana. La cooperación autónoma fue posible gracias a un marco de software llamado Model Hardware Standard (MHS), que conecta instrumentos de laboratorio dispares y permite que un sistema de inteligencia artificial, conocido como agente, controle los equipos y organice los experimentos.

El sistema surgió de una colaboración entre la empresa estadounidense de IA Anthropic y el campus de investigación Janelia del Instituto Médico Howard Hughes, en Ashburn, Virginia. La plataforma aborda un dolor de cabeza común en la investigación: lograr que los dispositivos “hablen” entre sí. Esta tarea es notoriamente difícil porque los instrumentos suelen provenir de diversos proveedores y utilizan lenguajes de programación diferentes.

El desafío de la comunicación entre equipos

En un laboratorio típico, cada máquina funciona como una isla. Para que dos instrumentos intercambien datos, los científicos y los ingenieros de automatización suelen escribir código a medida que traduzca entre los lenguajes de programación de cada equipo. O bien añaden piezas adicionales que sirven de enlace. Este proceso consume tiempo y recursos, y a menudo retrasa el inicio de los experimentos.

MHS se integra en cualquier instrumento que tenga una interfaz programable, lo que le permite coordinar la comunicación. No es la primera herramienta que facilita la comunicación entre dispositivos científicos. El consorcio SiLA, una organización global sin fines de lucro que desarrolla marcos para compartir datos de laboratorio, creó un sistema llamado Standardization in Lab Automation, que proporciona un lenguaje estándar para que los instrumentos se comuniquen. Sin embargo, a diferencia de MHS, ese sistema no conecta los instrumentos directamente con agentes de IA.

De meses a horas: el impacto en la investigación

Pasar de la idea inicial de un proyecto de investigación a un experimento funcional puede llevar “fácilmente meses”, dice Jose Lugo-Martinez, biólogo computacional de Carnegie Mellon quien, junto con su estudiante de doctorado Barazandeh, forma parte del equipo que prueba MHS. Con este marco, el equipo configuró un experimento en apenas horas. “Reducir esa cantidad de tiempo es el factor sorprendente para nosotros”, afirma Lugo-Martinez.

La clave está en que MHS incluye software que actúa como “tejido conectivo” para enlazar el sistema operativo de una computadora de laboratorio con los instrumentos, eliminando la necesidad de soluciones a medida, explica Alek Kemeny, miembro del personal técnico de Anthropic y líder del esfuerzo de MHS. Cualquier dispositivo conectado a través de MHS puede comunicarse con cualquier otro dispositivo conectado.

Beneficios inmediatos

Automatización sin intervención humana: los agentes de IA pueden orquestar experimentos completos.
Integración rápida: no se requiere escribir código personalizado para cada par de instrumentos.
Ahorro de tiempo: lo que antes tomaba meses, ahora se logra en horas.
Escalabilidad: se pueden añadir nuevos equipos sin rehacer la infraestructura.

El sistema no solo acelera la puesta en marcha de experimentos, sino que también permite que los científicos se concentren en el diseño experimental y el análisis de resultados, en lugar de perder tiempo en tareas de integración técnica. Esto podría tener un impacto profundo en campos como la biología, la química y la ciencia de materiales, donde la experimentación de alto rendimiento es cada vez más común.

Un paso hacia laboratorios autónomos

La combinación de agentes de IA con instrumentos conectados abre la puerta a laboratorios más autónomos. Los agentes pueden monitorear el progreso, ajustar parámetros en tiempo real y repetir experimentos sin supervisión constante. Esto no solo acelera la investigación, sino que también reduce la posibilidad de errores humanos y libera a los investigadores para tareas más creativas.

Si bien MHS se encuentra en fase de prueba, sus creadores ya vislumbran un ecosistema donde los laboratorios funcionen como redes de dispositivos inteligentes que colaboran entre sí. La iniciativa representa un avance significativo en la intersección entre inteligencia artificial y ciencia experimental, y subraya cómo la tecnología puede derribar barreras históricas en la investigación científica.

Con el respaldo de Anthropic y el Instituto Médico Howard Hughes, el proyecto podría marcar un antes y un después en la forma en que se diseñan y ejecutan los experimentos, haciendo que la ciencia sea más rápida, eficiente y accesible.