El sistema Paper2Agent transforma publicaciones en herramientas ejecutables que responden preguntas, reproducen análisis y aplican métodos a nuevos datos mediante lenguaje natural.
Un equipo de la Universidad de Stanford desarrolló Paper2Agent, un marco automatizado que convierte artículos de investigación en agentes de inteligencia artificial (IA) capaces de ejecutar los métodos descritos en ellos. El trabajo, publicado en Nature, plantea que los artículos científicos dejen de ser documentos estáticos y se conviertan en sistemas activos que cualquier investigador puede consultar mediante preguntas en lenguaje natural, sin necesidad de instalar código ni configurar entornos técnicos.
“Durante prácticamente toda la historia de la humanidad, la forma en que representamos el conocimiento ha sido a través de estos artefactos tan pasivos. En la antigüedad, la gente grababa el conocimiento en piedras, y ahora lo plasmamos en palabras en páginas, pero en cierto modo, las páginas no son mucho mejores”, Dr. James Zou, coautor del estudio.
El sistema analiza el manuscrito y el repositorio de código asociado a un artículo mediante varios agentes especializados que identifican sus aportes metodológicos, construyen un servidor basado en el protocolo Model Context Protocol o MCP y validan cada herramienta contra los resultados originales antes de dejarla disponible. El proceso completo, según los autores, toma alrededor de 45 minutos y tiene un costo aproximado de 14 dólares por artículo procesado.
“Un MCP permite que la IA represente un documento PDF en un formato de fácil acceso para los agentes, casi como un sistema de archivo”, Dr. Zou.
Los investigadores probaron el sistema con tres casos concretos. El primero fue AlphaGenome, un modelo que predice el efecto de variantes genéticas sobre procesos regulatorios del ADN. El agente generado alcanzó una precisión de 98.7% en consultas basadas en tutoriales y de 100% en consultas nuevas, superando a Claude Code con acceso directo al repositorio, que obtuvo 82.7% y 78.7% respectivamente, y a Biomni, que llegó a 37.3% y 56%. El segundo caso fue Scanpy, un paquete ampliamente usado para analizar datos de transcriptómica de célula única, y el tercero fue TISSUE, orientado a transcriptómica espacial con estimación de incertidumbre.
Uno de los hallazgos más relevantes surgió al aplicar el agente de AlphaGenome a un locus asociado con el colesterol LDL. El sistema identificó SORT1 como el gen causal más probable, mientras que el artículo original de AlphaGenome había señalado a CELSR2 y PSRC1. Los autores explican que este tipo de discrepancias muestra cómo un agente puede volver a evaluar conclusiones publicadas usando evidencia independiente, sin necesidad de diseñar nuevos análisis desde cero.
El equipo también demostró que distintos agentes generados por Paper2Agent pueden colaborar entre sí. En un caso de descubrimiento centrado en psoriasis, combinaron el agente de AlphaGenome con datos experimentales de dos estudios adicionales sobre perturbación génica en células T CD4+.
Para evaluar la escalabilidad del sistema, los investigadores lo aplicaron a 100 artículos de bioinformática publicados en bioRxiv. De ese total, 74 se convirtieron exitosamente en agentes funcionales, generando 599 herramientas propuestas, de las cuales 593 pasaron la validación automática. Los fallos principales se debieron a código incompleto, datos faltantes o problemas de configuración de entorno. En pruebas de referencia con 300 preguntas, Paper2Agent alcanzó una precisión de 91.2%, superior al 80.3% obtenido por Claude Code con acceso directo al repositorio.
Los autores advierten que no todos los artículos pueden convertirse en agentes de forma confiable y que el razonamiento científico abierto, como la generación de hipótesis y la interpretación mecanística, debe permanecer bajo supervisión humana. Describen a Paper2Agent como una herramienta para ampliar el acceso y la reproducibilidad de las publicaciones, no como una fuente autónoma de conclusiones científicas.
Los investigadores proponen que, así como las revistas científicas ya exigen secciones de disponibilidad de datos y código, en el futuro podría incorporarse una sección de “disponibilidad de agente” que indique si un artículo fue convertido en una herramienta interactiva. El código de Paper2Agent está disponible públicamente en GitHub, junto con los servidores generados para AlphaGenome, Scanpy y TISSUE.
