Agentes de inteligencia artificial para la investigación biológica: una revisión

El rápido crecimiento de los datos biológicos y la complejidad experimental ha motivado un interés creciente en sistemas de inteligencia artificial (IA) que van más allá de la predicción estática hacia el razonamiento y la acción autónomos. Aunque los modelos computacionales recientes logran un rendimiento predictivo sólido, en gran medida operan como herramientas pasivas dentro de flujos de trabajo de investigación dirigidos por humanos. En contraste, los agentes de IA integran razonamiento, planificación, invocación de herramientas y refinamiento basado en retroalimentación, permitiendo formas más adaptativas e interactivas de análisis biológico. Esta revisión ofrece una síntesis sistemática del progreso reciente en agentes de IA biológicos al examinar más de 100 estudios representativos en análisis clínicos, diseño molecular y de fármacos, análisis multi-ómico y descubrimiento de conocimiento. Introducimos una taxonomía unificada 5D que organiza el trabajo existente según dominios de tarea, arquitecturas del sistema, modos de interacción, estrategias de evaluación e integración de recursos. Basándonos en este marco, analizamos patrones comunes de diseño, destacamos habilidades emergentes habilitadas por paradigmas agenticos e identificamos desafíos clave abiertos, incluidos confiabilidad, privacidad, escalabilidad y evaluación estandarizada. Colectivamente, esta revisión aclara el panorama conceptual y metodológico de los agentes de IA biológicos y describe direcciones hacia sistemas agenticos para investigación biológica más robustos, transparentes y colaborativos. Para servir como recurso vivo para la comunidad, recopilamos un repositorio en GitHub que incluye recursos y resúmenes de benchmarks, disponible en https://github.com/MineSelf2016/biological_agents_survey.