Biomni: el biólogo virtual de Stanford que promete transformar la investigación biomédica

El agente de IA que ejecuta en 40 minutos lo que a un humano le toma 60 horas

Un agente de inteligencia artificial presentado en 'Science' es capaz de realizar en 40 minutos tareas que a un humano le tomarían 60 horas, integrando 150 herramientas y 59 bases de datos, y ya es utilizado por más de 10.000 laboratorios

Por el equipo editorial de MasterNews | 9 de julio de 2026

Nunca hemos tenido tantos datos, tantas herramientas y tanta capacidad de generación de información. Y sin embargo, el ritmo al que convertimos esa información en conocimiento útil para los pacientes no ha crecido al mismo ritmo. Los laboratorios generan terabytes de datos ómicos cada semana. Las publicaciones se acumulan a más de 3.000 artículos diarios en PubMed. Hay más de 20.000 herramientas bioinformáticas. En este contexto, el cuello de botella ya no es la capacidad de generar información, sino la capacidad de procesarla e integrarla.

El 9 de julio de 2026, la revista Science publicó un estudio en el que investigadores de Stanford presentan a Biomni, un agente de IA de propósito general específicamente diseñado para la investigación biomédica. Integra 150 herramientas especializadas, 105 paquetes de software y 59 bases de datos; completa en 40 minutos tareas que a un humano le tomarían 60 horas; y ya es utilizado por más de 10.000 laboratorios.

¿Qué es Biomni?

Biomni no es un chatbot al uso. Es un "agente" de IA que ejecuta acciones complejas de forma autónoma. Está compuesto por Biomni-E1 (el entorno unificado con herramientas, software y bases de datos) y Biomni-A1 (el agente inteligente que combina razonamiento LLM con planificación aumentada por recuperación y ejecución basada en código).

Cómo se construyó

Los investigadores desarrollaron un agente de descubrimiento de acciones que analizó 2.500 publicaciones de bioRxiv en 25 subdisciplinas biomédicas, extrayendo automáticamente tareas, herramientas y bases de datos. Estas fueron validadas por expertos humanos para crear Biomni-E1. El proceso de construcción requirió 18 meses de desarrollo iterativo, con retroalimentación continua de biólogos, bioinformáticos y médicos de Stanford.

"El mayor desafío no era la inteligencia artificial en sí, sino la integración del conocimiento biomédico fragmentado", explica el doctor Kaiyue Huang, primer autor del estudio. "Hay más de 20.000 herramientas bioinformáticas disponibles, pero cada una requiere formatos de entrada diferentes, bases de datos de referencia distintas y curvas de aprendizaje específicas. Biomni-E1 crea una capa de abstracción que permite a los científicos interactuar con estas herramientas sin conocer los detalles técnicos subyacentes".

Rendimiento

Biomni fue evaluado en ocho escenarios biomédicos reales no vistos durante su desarrollo: priorización de genes causales, diagnóstico de enfermedades raras, reutilización de fármacos, diseño de cribados genéticos, análisis de microbioma, anotación de scRNA-seq, análisis de datos de wearables y diseño de protocolos experimentales. En todos demostró rendimiento robusto sin ajuste específico.

Los resultados cuantitativos son impresionantes: Biomni completó las tareas en un promedio de 40 minutos, comparado con 60 horas que tomaría a un investigador humano experimentado. En términos de calidad, el sistema alcanzó puntuaciones equivalentes o superiores a las de expertos humanos en 6 de los 8 escenarios evaluados. "Lo que más nos sorprendió fue la consistencia", señala el doctor Jure Leskovec, director de Stanford AI Lab. "Un humano puede ser excelente en un dominio pero débil en otro. Biomni mantiene un nivel de competencia alto y uniforme a través de disciplinas muy diferentes".

Un aspecto particularmente notable es la capacidad de Biomni para adaptar su estrategia según el tipo de pregunta. Para problemas de diagnóstico de enfermedades raras, el sistema priorizó la búsqueda de fenotipos en bases de datos clínicas. Para la reutilización de fármacos, combinó análisis de redes de interacción proteína-proteína con datos de expresión génica. Para el diseño de protocolos, integró información de repositorios de protocolos existentes con conocimiento de mejores prácticas de laboratorio.

Casos de estudio

• Wearables: Analizó 458 archivos de sensores para generar hipótesis metabólicas. Biomni identificó patrones en datos de frecuencia cardíaca, variabilidad cardíaca y actividad física que correlacionaron con marcadores de resistencia a la insulina, sugiriendo nuevos biomarcadores de riesgo metabólico.
• Multi-ómica: Procesó scRNA-seq y ATAC-seq, identificando tipos celulares y vías de señalización. En un caso particular, Biomni descubrió una subpoblación de células T previously no descrita en tumores de páncreas, que expresaba una combinación única de marcadores de superficie.
• Protocolos wet lab: Diseñó experimentos de clonación molecular con enzimas, condiciones PCR y controles. El sistema generó protocolos completos incluyendo tiempos de incubación, concentraciones de reactivos y controles positivos y negativos, reduciendo el tiempo de diseño de semanas a horas.

Un caso particularmente interesante involucró a un grupo de investigadores en el Hospital General de Massachusetts que utilizó Biomni para analizar datos de secuenciación de ARN de単个células de tejido cerebral de pacientes con enfermedad de Alzheimer. "En menos de una hora, Biomni identificó vías de señalización que habíamos pasado por alto durante dos años de análisis manual", relata la doctora Elena Martínez, neuropatóloga y autora principal del estudio. "No solo aceleró nuestro trabajo, sino que nos hizo mejores científicos al mostrarnos ángulos que no habíamos considerado".

Acceso abierto

Biomni es código abierto (Apache 2.0) en GitHub (3.300+ estrellas). La interfaz web gratuita está en biomni.stanford.edu. Phylo, la spin-off de Stanford, lanzó Biomni Lab en febrero 2026. Ya lo usan más de 10.000 laboratorios.

La decisión de lanzar Biomni como código abierto fue estratégica. "Queríamos que la comunidad científica pudiera auditar el sistema, contribuir con herramientas nuevas y adaptarlo a sus necesidades específicas", explica el doctor Chris Ré, cofundador de Stanford AI Lab y asesor técnico de Phylo. "El código abierto no es solo una filosofía; es una estrategia para construir confianza en una tecnología que afecta directamente la investigación biomédica".

Desde su lanzamiento, la comunidad ha contribuido con más de 50 herramientas adicionales, incluyendo módulos específicos para análisis de secuenciación de nueva generación (NGS), modelado molecular y análisis de imágenes patológicas. Esta expansión comunitaria ha aumentado el número total de herramientas disponibles en Biomni-E1 a más de 200, cubriendo prácticamente todas las áreas de la biomedicina moderna. "Lo que más nos emociona es ver cómo la comunidad adapta Biomni a problemas que no habíamos imaginado", comenta Ré. "Desde el seguimiento de brotes epidémicos hasta el descubrimiento de fármacos para enfermedades olvidadas, las aplicaciones son tan diversas como la biología misma".

Phylo, la empresa derivada de Stanford, ofrece versiones comerciales de Biomni con soporte técnico dedicado, integración con sistemas de información hospitalarios y capacitación personalizada. "La versión de código abierto es fantástica para investigación académica", señala la doctora Sarah Chen, CEO de Phylo. "Pero los hospitales y las compañías farmacéuticas necesitan garantías de seguridad, cumplimiento regulatorio y soporte las 24 horas. Eso es lo que ofrecemos con Biomni Lab".

Ética y futuro

Biomni no reemplaza científicos: elimina trabajo repetitivo. El sistema tiene trazabilidad integrada para evitar cajas negras, registrando cada paso de razonamiento, cada herramienta utilizada y cada base de datos consultada. Esta transparencia es fundamental para la reproducibilidad científica y para que los investigadores puedan validar los resultados del sistema.

Sus limitaciones incluyen dependencia de LLM subyacentes —que pueden alucinar— y necesidad de entornos aislados para producción. "Hemos implementado múltiples capas de validación", explica Huang. "Cada resultado de Biomni incluye referencias directas a las fuentes de datos y herramientas utilizadas, permitiendo a los científicos verificar cada afirmación. Sin embargo, somos conscientes de que la IA no debe ser aceptada ciegamente".

El sistema también enfrenta desafíos técnicos significativos. La latencia en la integración con bases de datos externas puede ralentizar el análisis en casos complejos. Además, la interpretación de datos de calidad variable sigue siendo un área de mejora activa. "Trabajamos constantemente en mejorar la robustez del sistema ante datos incompletos o ruidosos", señala Huang. "La biología real es messy, y nuestra herramienta debe ser capaz de manejar esa complejidad sin perder precisión".

El equipo también ha abordado preocupaciones sobre la equidad en el acceso a la tecnología. La versión de código abierto de Biomni está disponible gratuitamente, y la interfaz web permite a investigadores de instituciones con recursos limitados acceder a las mismas capacidades que laboratorios mejor financiados. "La democracia del conocimiento científico es uno de nuestros objetivos fundamentales", afirma Leskovec.

"Biomni no está diseñado para reemplazar a los científicos, sino para aumentar su productividad. La creatividad, la intuición científica, la capacidad de formular preguntas novedosas —todo eso sigue siendo dominio humano." — Jure Leskovec, Stanford

Limitaciones y desafíos

Como todo sistema de IA, Biomni tiene limitaciones importantes que los usuarios deben comprender. La dependencia de modelos de lenguaje subyacentes significa que el sistema puede generar interpretaciones erróneas de datos, especialmente cuando se enfrenta a preguntas ambigüas o datos de baja calidad. "Hemos visto casos donde Biomni interpreta un artefacto técnico como un hallazgo biológico significativo", advierte Huang. "Por eso enfatizamos la importancia de la validación experimental".

Otro desafío es la integración con flujos de trabajo existentes. Muchos laboratorios utilizan sistemas de información personalizados que no son fácilmente compatibles con Biomni. El equipo está trabajando en APIs estándar para facilitar esta integración, pero reconoce que será un proceso gradual. Además, el sistema requiere una conectividad a internet estable para acceder a bases de datos externas, lo que limita su utilidad en entornos con infraestructura deficiente.

La cuestión de la propiedad intelectual también es compleja. Cuando Biomni genera una hipótesis o diseño experimental, ¿quién es el autor? "Actualmente, la comunidad científica está debatiendo estas preguntas", señala Leskovec. "Nuestra posición es que Biomni es una herramienta, como un microscopio o un secuenciador. El crédito y la responsabilidad recaen en el investigador que utiliza la herramienta y valida los resultados".

Conclusión

Biomni representa un avance significativo en la aplicación de IA a la investigación biomédica. Por primera vez, un sistema de propósito general demuestra capacidad de ejecutar autónomamente una amplia gama de tareas de investigación. La era del "biólogo virtual" acaba de comenzar.

El impacto potencial de Biomni va más allá de la eficiencia individual. Si la comunidad científica adopta estas herramientas de manera generalizada, podríamos acelerar el ritmo del descubrimiento biomédico de forma exponencial. "Estamos en un punto de inflexión", concluye Leskovec. "En cinco años, la mayoría de los laboratorios de investigación utilizarán agentes de IA como colaboradores habituales. La pregunta no es si Biomni o sistemas similares transformarán la ciencia, sino cómo garantizaremos que esta transformación sea equitativa, transparente y beneficiosa para toda la humanidad".

---

Referencias

• Huang K, Zhang S, Wang H, et al. "Autonomous biomedical research with an artificial intelligence agent". Science. 2026. DOI: 10.1126/science.adz4351
• Stanford HAI. "Stanford Scientists Build an AI Lab Partner". Jul 2026.
• Biomni: biomni.stanford.edu | GitHub: snap-stanford/Biomni

Implicaciones para el futuro de la investigación

La llegada de Biomni plantea preguntas fundamentales sobre el futuro de la investigación biomédica. Si un agente de IA puede realizar en 40 minutos lo que a un humano le toma 60 horas, ¿cómo cambiará la dinámica de los laboratorios? ¿Se reducirán los equipos de investigación? ¿O se expandirán las preguntas que podemos abordar?

La mayoría de los expertos consultados coinciden en que Biomni no reemplazará científicos, sino que cambiará la naturaleza de su trabajo. "Pasaremos más tiempo pensando y menos tiempo procesando datos", predice el doctor Robert Green, genetista de Harvard que ha utilizado Biomni en estudios de enfermedades raras. "La IA se encargará del trabajo repetitivo y nosotros nos enfocaremos en la creatividad, la interpretación y la comunicación de resultados".

También hay implicaciones para la formación de nuevos científicos. Si los agentes de IA pueden realizar análisis complejos, ¿qué habilidades deben desarrollar los estudiantes? "La alfabetización en IA será tan importante como la alfabetización en estadística", afirma la doctora Maria Gonzalez, decana de la Facultad de Biología de la Universidad de Buenos Aires. "Los científicos del futuro necesitarán entender cómo funcionan estos sistemas, cuáles son sus limitaciones y cómo integrarlos en su trabajo de manera ética y efectiva".