Un equipo de investigadores del Centro de Ciencias Digitales Interdisciplinarias de la Universidad Técnica de Dresde desarrolló Morpheus.AI, un sistema en el que agentes basados en modelos de lenguaje (LLM) construyen, ejecutan y refinan de forma autónoma modelos virtuales de tejidos a partir de la literatura científica. Los resultados, publicados en arXiv, muestran que los agentes lograron cumplir entre 83% y 86% de los criterios específicos de cada estudio en un tiempo activo de entre 105 y 110 minutos, con un costo promedio de 3.74 dólares por ejecución utilizando el modelo GPT-6.1 Sol de OpenAI.
El sistema se evaluó con quince estudios de referencia que abarcan migración celular, morfogénesis, formación de patrones, desarrollo, cáncer y regeneración. Diez de ellos describían modelos computacionales construidos en otros programas o código personalizado, ninguno en Morpheus, por lo que los agentes debieron traducir los mecanismos; los otros cinco solo reportaban observaciones experimentales, lo que exigió a los agentes formular las hipótesis mecanísticas por sí mismos. Los estudios sin modelo publicado obtuvieron puntuaciones similares a los que sí lo tenían (0.83 frente a 0.86), lo que sugiere que el agente formuló nuevos mecanismos con una calidad comparable a la de reimplementar los existentes.
La capacidad de ejecutar el simulador Morpheus resultó crucial: los agentes que solo podían escribir archivos de modelo obtuvieron 0.55 de puntuación, frente a 0.83-0.86 de aquellos que podían ejecutar simulaciones e inspeccionar los resultados. La elección del LLM fue más determinante que la configuración de herramientas: GPT-6.1 Sol superó a GPT-6 Luna en todas las configuraciones (0.85 frente a 0.66), aunque con un costo 10.8 veces mayor por ejecución (3.74 frente a 0.32 dólares). Los agentes operaron sin intervención humana y cada intento quedó registrado para su auditoría.
En corto: El sistema Morpheus.AI, desarrollado por investigadores de la Universidad Técnica de Dresde, demuestra que agentes de IA pueden generar y refinar modelos de tejidos virtuales de forma autónoma a partir de literatura científica, con puntuaciones de 83-86% de criterios cumplidos y costos inferiores a 4 dólares por modelo, lo que podría automatizar la creación de modelos in silico en biología.