Paper2Agent transforma manuscritos, código y datos en sistemas de IA que pueden ejecutar métodos científicos, hablar entre sí y generar nuevas hipótesis
La herramienta de Stanford recupera métodos, datos y código de cada investigación para crear agentes capaces de conversar y realizar nuevos análisis. / Crédito: TheDigitalArtist en Pixabay.
Pablo Javier Piacente / T21
Levante-emv.com/18 SEPT 2026 13:15
Un equipo de investigadores diseñó un programa de inteligencia artificial llamado Paper2Agent que convierte cualquier manuscrito científico, incluido el texto, las figuras y los datos, en un agente de IA interactivo que puede chatear sobre el artículo e interactuar con otros agentes, concretando nuevos hallazgos.
Durante siglos, el artículo científico ha funcionado en cierta forma como un registro estático del conocimiento: para avanzar en los hallazgos, es necesario un nuevo estudio sobre el mismo tema. Paper2Agent, un sistema desarrollado por investigadores de la Universidad de Stanford, en Estados Unidos, propone cambiar esa lógica: transformar un manuscrito, junto con sus figuras, datos, código y materiales suplementarios, en un agente de inteligencia artificial que puede conversar con investigadores y utilizar las herramientas descritas en la propia publicación. El trabajo se ha publicado en la revista Nature.
La idea recuerda a un "autor virtual" capaz de explicar cómo se obtuvo un resultado y, además, de aplicar ese conocimiento a preguntas nuevas. Para conseguirlo, Paper2Agent emplea varios agentes especializados que inspeccionan el artículo y su repositorio de código, preparan el entorno de ejecución, extraen las funciones principales y las convierten en herramientas accesibles mediante el Model Context Protocol (MCP), un estándar que permite conectar modelos de IA con recursos y funciones externas.
Trabajo en red para concretar más hallazgos
En ese escenario, los agentes intentan reproducir desde cero los análisis de la investigación original. Durante el proceso, capturan detalles prácticos, que van desde configuraciones y datos hasta pasos necesarios para ejecutar los experimentos, elementos que un lector tendría que reconstruir manualmente. Después, un agente de pruebas comprueba que las herramientas generadas producen resultados y figuras compatibles con los publicados. Las funciones que no superan esas pruebas quedan fuera del sistema.
El resultado es un agente específico de cada artículo. Un investigador puede hacerle preguntas en lenguaje natural, pedirle que reproduzca un análisis o darle nuevos datos para aplicar el método. En el caso de AlphaGenome, un modelo destinado a estudiar los efectos de variantes genéticas, Paper2Agent generó 22 herramientas en unos 45 minutos y con un coste aproximado de 14 dólares en un ordenador portátil. En las pruebas descritas en Nature, el agente alcanzó un 98,7 % de precisión en 15 consultas derivadas de tutoriales y un 100 % en otras 15 consultas nuevas.
Casos concretos
Pero el aspecto más ambicioso aparece cuando los agentes dejan de trabajar por separado. En una demostración, los investigadores conectaron un agente basado en AlphaGenome con otro construido a partir de un estudio de asociación genética sobre el trastorno por déficit de atención e hiperactividad (TDAH).
Al combinar ambos conocimientos, el sistema priorizó una variante entre 209 candidatas y propuso que podría aumentar la expresión de un gen en concreto en un grupo específico de neuronas.
Flujo de trabajo de Paper2Agent. / Crédito: arXiv (2025). DOI: 10.48550/arxiv.2509.06917
Colaboraciones fructíferas entre agentes de IA
La colaboración entre agentes también se probó en psoriasis. Un agente basado en AlphaGenome señaló GPR137 como el gen más afectado en un grupo asociado a la enfermedad. Después, otros dos agentes, construidos a partir de estudios experimentales independientes, aportaron datos para comprobar esa predicción. El sistema diseñó estrategias de validación y, mediante una metodología de correlación de firmas de perturbación que no aparecía en los artículos originales, halló una concordancia significativa que relaciona directamente a ese gen con un posible origen de la patología.
El enfoque abre la puerta a una especie de red científica automática, en la que los artículos puedan "encontrarse" entre sí cuando comparten métodos, datos o preguntas. Una nota de prensa señala que el equipo ya ha creado más de 100 agentes y plantea como objetivo que, en el futuro, millones de publicaciones puedan conectarse de esta manera.
Limitaciones actuales y potencial a futuro
Sin embargo, una parte de los repositorios todavía no puede convertirse en agentes funcionales debido a problemas de documentación, dependencias o configuraciones incompletas. Además, el razonamiento científico abierto y la interpretación de mecanismos siguen requiriendo supervisión humana. Los investigadores sostienen que los agentes pueden generar hipótesis, ejecutar análisis y proponer vías de validación, pero corresponde a los científicos elegir las líneas de investigación y evaluar la evidencia.
Paper2Agent plantea una transformación que va más allá de automatizar la lectura científica. La publicación deja de ser el punto final de un descubrimiento para convertirse en una interfaz operativa: un conocimiento capaz de responder, ejecutar, contrastar y colaborar. Si esta arquitectura avanza y se enriquece, podremos llegar a un contexto en el cual los propios artículos científicos puedan empezar a trabajar entre ellos y generar conocimientos.
_____________
Referencia
Reimagining research papers as interactive and reliable AI agents. Jiacheng Miao et al. Nature (2026). DOI:https://doi.org/10.1038/s41586-026-11044-y
__________
Fuente:
