Big Mechanism fue un programa de investigación financiado por la Agencia de Proyectos de Investigación Avanzados de Defensa de los Estados Unidos (DARPA) con un presupuesto de 45 millones de dólares. Lanzado en 2014, el programa tenía como objetivo desarrollar software que pudiera leer literatura sobre investigación del cáncer, integrar el conocimiento extraído en un modelo integral del cáncer y generar nuevas hipótesis para finales de 2017. La iniciativa buscaba automatizar la recopilación de grandes datos y tender puentes entre disciplinas como el procesamiento de lenguaje natural basado en conocimiento, la curación y ontología, y la biología de sistemas y matemática. Al leer resúmenes y artículos de investigación, se esperaba que el software extrajera piezas de mecanismos causales, acelerando así el ritmo del descubrimiento científico en oncología.
El programa se centró en mutaciones en la familia de genes Ras, que están implicadas en aproximadamente un tercio de los cánceres humanos. En ese momento, los investigadores tenían un mapa aproximado de las secuencias de interacción entre proteínas que afectan la replicación y muerte celular, pero las relaciones causales eran poco comprendidas. Big Mechanism pretendía aclarar estas relaciones mediante la construcción de modelos computacionales detallados a partir de la literatura científica.
Estructura del programa
El programa se organizó en tres etapas. La primera etapa implicaba leer la literatura y convertirla en representaciones formales. La segunda etapa se centraba en integrar el conocimiento en modelos computacionales. La tercera etapa consistía en producir explicaciones y predicciones experimentalmente comprobables. Los equipos de investigación desarrollaron cuatro sistemas separados que en conjunto abordaban las tres tareas.
En febrero de 2015, una reunión de evaluación revisó el progreso de la primera etapa. Se consideraron múltiples tareas, incluida la extracción de detalles de procedimientos experimentales y la evaluación de afirmaciones como "demostramos" y "sugerimos". Otra tarea implicaba mapear el significado de las oraciones y sus relaciones. El mejor sistema de lectura automática extrajo el 40% de la información relevante de un corpus pequeño y determinó correctamente cómo cada pasaje se relacionaba con el modelo.
La segunda etapa estaba programada para activarse en el verano de 2015, cuando los miembros del equipo intentaron producir un modelo de referencia único. La tercera etapa se consideró la más desafiante, porque la comunidad de inteligencia artificial había tenido un éxito limitado en el desarrollo de generadores de hipótesis. Sin embargo, la biología molecular se consideraba más propicia, porque la mayor parte del conocimiento del dominio es técnico y está disponible en forma escrita.
Enfoque técnico
Big Mechanism se basó en avances en aprendizaje automático y procesamiento de lenguaje natural (PLN) para analizar textos científicos. El programa utilizó técnicas de PLN basadas en conocimiento para extraer relaciones causales, que luego se formalizaron mediante ontologías y bases de datos curadas. Los mecanismos extraídos se integraron en modelos matemáticos de vías de señalización celular, particularmente aquellas que involucran a la familia de proteínas Ras.
El uso de aprendizaje profundo y redes neuronales no se mencionó explícitamente en la documentación temprana del programa, pero los principios subyacentes de extracción automatizada de conocimiento y construcción de modelos se alinean con tendencias más amplias en IA generativa y grandes modelos de lenguaje que surgieron más tarde. El énfasis del programa en leer y comprender texto científico anticipó desarrollos posteriores en el descubrimiento científico impulsado por IA.
Desafíos y resultados
Uno de los principales desafíos fue la complejidad de los sistemas biológicos. Los mecanismos causales subyacentes al cáncer son intrincados e involucran múltiples proteínas y bucles de retroalimentación. El objetivo del programa de generar hipótesis novedosas fue particularmente ambicioso, ya que requería que la IA no solo sintetizara el conocimiento existente, sino que también propusiera nuevos experimentos.
La evaluación de febrero de 2015 destacó la dificultad de extraer información precisa de artículos científicos. El mejor sistema logró solo un 40% de precisión, lo que indicaba que se necesitaban mejoras significativas. El cronograma del programa era ajustado, con la meta final fijada para 2017.
Aunque el programa concluyó en 2017, su legado persiste en forma de herramientas y metodologías para el análisis automatizado de literatura y la construcción de modelos. Los conceptos pioneros de Big Mechanism han influido en esfuerzos posteriores en investigación biomédica impulsada por IA, incluido el uso de transformadores y atención de múltiples cabezas en la lectura y resumen de textos científicos.
Impacto y legado
Big Mechanism fue una de las primeras iniciativas a gran escala en aplicar IA a todo el proceso de descubrimiento científico, desde la lectura de artículos hasta la generación de hipótesis. Destacó el potencial de la IA para acelerar la investigación en dominios complejos como la biología del cáncer. El programa también fomentó la colaboración entre informáticos, biólogos y matemáticos, lo que condujo a conocimientos interdisciplinarios.
Aunque los objetivos específicos del programa no se lograron por completo, contribuyó al desarrollo de técnicas para la construcción de grafos de conocimiento y el modelado secuencia a secuencia que ahora son comunes en la investigación de IA. El enfoque en el razonamiento causal y la generación de hipótesis sigue siendo un área activa de estudio, con los modernos grandes modelos de lenguaje comenzando a abordar desafíos similares.
Véase también
- inteligencia artificial
- aprendizaje automático
- aprendizaje profundo
- redes neuronales
- grandes modelos de lenguaje
- transformadores
- IA generativa
- grafos de conocimiento
- secuencia a secuencia
- atención de múltiples cabezas
Referencias
- Documentación del programa Big Mechanism de DARPA (2014-2017)
- Informes de la reunión de evaluación (febrero de 2015)
Enlaces externos
- Sitio web oficial de DARPA (archivado)