La ciencia siempre ha dependido de la palabra escrita para compartir cómo se realizaron los descubrimientos. Un investigador describe un experimento en un artículo de revista, entrelazando listas de materiales, ajustes de máquinas y las instrucciones paso a paso en párrafos de texto. Este enfoque funciona bien para los lectores humanos, que pueden inferir el contexto y llenar los vacíos, pero crea una barrera significativa para las máquinas. Las computadoras tienen dificultades para entender que "calentado a 80 grados" en un artículo significa lo mismo que "mantenido a 353 Kelvin" en otro, o que un proceso químico específico descrito en un laboratorio de biología sigue una lógica similar a uno en un laboratorio de química. A medida que la ciencia se vuelve más automatizada e interdisciplinaria, con sistemas de inteligencia artificial y laboratorios robóticos intentando leer y ejecutar estas instrucciones, la falta de un lenguaje común y estructurado para los métodos científicos se ha convertido en un cuello de botella. Sin una forma de traducir la prosa del descubrimiento a un formato rígido y legible por máquinas, el potencial para comparar estudios, reproducir resultados y automatizar la investigación permanece en gran medida sin explotar.

Para abordar esta brecha, un equipo internacional de investigadores ha presentado SciSchema.org, una nueva colección de plantillas estructuradas diseñadas para describir procesos científicos de una manera que tanto los humanos como las computadoras puedan entender. El equipo, compuesto por expertos de campos tan diversos como la biología, la física, la psicología y la ciencia de materiales, no escribió estas plantillas simplemente a mano. En su lugar, desarrollaron un flujo de trabajo colaborativo donde expertos humanos guiaron a modelos de inteligencia artificial para minar miles de artículos científicos y extraer los componentes esenciales de experimentos específicos. El resultado es un conjunto de 16 "esquemas" distintos, o esquemas estructurados, que cubren procesos que van desde la edición de genes mediante CRISPR-Cas9 hasta la reconstrucción de eventos de neutrinos en la física de partículas. Estos esquemas definen exactamente qué información debe registrarse para un tipo determinado de experimento —como los instrumentos específicos utilizados, las condiciones bajo las cuales operaron y los pasos precisos seguidos— transformando la prosa desordenada y no estructurada de los artículos tradicionales en datos limpios y comparables.

El proyecto comenzó identificando 16 procesos científicos específicos que están bien establecidos y se describen con frecuencia en la literatura, asegurando que hubiera suficiente material con el cual trabajar. Luego, el equipo reclutó expertos en la materia para cada proceso, desde biólogos moleculares hasta psicólogos, para que actuaran como guías. Estos expertos proporcionaron una descripción básica de los procedimientos estándar de su campo y una colección de artículos científicos relevantes. El núcleo del trabajo consistió en un sistema de "humano en el bucle" (human-in-the-loop), donde modelos de lenguaje de gran tamaño —herramientas de IA avanzadas capaces de leer y comprender texto— recibieron la tarea de leer estos artículos y proponer un esquema estructurado para el proceso. La IA escaneaba el texto, identificaba detalles recurrentes como ajustes de temperatura o concentraciones químicas, y redactaba un esquema que organizaba estos detalles en categorías lógicas.

Sin embargo, la IA no trabajó sola. Después de que los modelos generaron sus borradores iniciales, los expertos humanos los revisaron, señalando detalles faltantes, corrigiendo la terminología y sugiriendo cómo debería agruparse la información. Esta retroalimentación se introdujo nuevamente en la IA, que luego refinó sus borradores. Este ciclo de generación y corrección por parte de expertos se repitió a lo largo de varias etapas, con la IA leyendo cada vez más artículos en cada paso. El proceso fue diseñado para ser iterativo, permitiendo que la IA aprendiera de las correcciones de los expertos y construyera gradualmente una estructura más precisa y completa. El equipo probó este flujo de trabajo utilizando 12 modelos de IA diferentes, que iban desde modelos más pequeños y rápidos hasta otros masivos y complejos, para ver qué enfoques producían los mejores resultados.

El resultado de este riguroso proceso fue la creación de 16 esquemas finales anotados por expertos. Cada esquema sirve como una plantilla maestra para un tipo específico de proceso científico. Por ejemplo, el esquema para la "Reacción en Cadena de la Polimerasa", una técnica común utilizada para copiar ADN, define campos específicos para los materiales biológicos utilizados, el diseño de los cebadores genéticos, las condiciones de ciclos térmicos y los datos resultantes. Del mismo modo, el esquema para la "Prueba de Fatiga de Materiales Metálicos" describe campos para el tipo de metal, la forma de la muestra de prueba, las fuerzas aplicadas y las condiciones ambientales. Estos esquemas no están llenos de datos de experimentos específicos; más bien, son los formularios vacíos que los científicos pueden usar para registrar sus propios datos de una manera estandarizada. Al utilizar estas plantillas, un investigador puede asegurar que cada detalle crítico de su experimento sea capturado en un formato que pueda ser fácilmente buscado, comparado con otros estudios y procesado por software.

Los investigadores descubrieron que la calidad de los esquemas finales dependía en gran medida de la colaboración entre la IA y los expertos humanos. Si bien los modelos de IA eran capaces de generar estructuras complejas e identificar patrones a través de cientos de artículos, a menudo requerían la guía humana para asegurar la precisión científica y la terminología apropiada. El equipo observó que los modelos de IA se volvían más detallados y estructuralmente complejos a medida que se exponían a más artículos y a más rondas de retroalimentación de los expertos. Los esquemas más grandes y detallados fueron generados por los modelos de seguimiento de instrucciones más avanzados, que produjeron esquemas con cientos de campos específicos y múltiples capas de organización. Sin embargo, la decisión final sobre lo que constituía la estructura del "estándar de oro" siempre recayó en los expertos humanos, quienes seleccionaron los mejores elementos de los diversos borradores de la IA para crear la versión final.

Uno de los hallazgos clave del estudio fue que esta asociación humano-IA podía producir esquemas de alta calidad y específicos de un dominio mucho más rápido de lo que permitirían los métodos manuales tradicionales. El equipo logró desarrollar y validar los 16 esquemas en solo dos meses, un plazo que habría sido imposible si los expertos hubieran tenido que extraer y organizar manualmente cada detalle de miles de artículos. El proceso también reveló que diferentes tipos de procesos científicos requieren diferentes niveles de detalle. Algunos procesos, como la "Tarea de Stroop" utilizada en psicología para medir los tiempos de reacción, dieron lugar a esquemas con menos campos y menos anidamiento, lo que refleja la naturaleza más simple y estandarizada de los experimentos. Otros, como la "Preparación de Librerías de RNA-seq Bulk" en biología, dieron lugar a esquemas altamente complejos con profundas capas de información anidada, reflejando la naturaleza intrincada y de múltiples pasos de los procedimientos de laboratorio húmedo involucrados.

La colección publicada incluye no solo los esquemas finales, sino también todo el historial de cómo fueron creados. El archivo de datos contiene los borradores intermedios generados por la IA, la retroalimentación proporcionada por los expertos y los metadatos de los artículos utilizados en el proceso. Esta transparencia permite a otros investigadores ver exactamente cómo se construyeron los esquemas, comprender el razonamiento detrás de decisiones de diseño específicas y reutilizar los materiales para sus propios proyectos. Los esquemas están disponibles en dos formatos: uno diseñado para documentos de computadora estándar y otro para grafos de conocimiento, que son redes de datos vinculados utilizados para conectar información a través de diferentes fuentes. Este formato dual asegura que los esquemas puedan utilizarse en una amplia variedad de sistemas de software, desde simples formularios de entrada de datos hasta bases de datos científicas complejas.

La importancia de este trabajo radica en su potencial para cambiar la forma en que se almacena y comparte el conocimiento científico. Al proporcionar una forma estructurada de describir el "cómo" de la ciencia, SciSchema.org hace posible ir más allá de las limitaciones de la búsqueda basada en texto. En lugar de buscar artículos que mencionen una palabra clave específica, los investigadores podrían eventualmente buscar todos los experimentos que utilizaron una combinación específica de instrumentos, condiciones y materiales, independientemente de cómo los autores originales los describieran en su prosa. Esta capacidad es esencial para el futuro de la ciencia, donde la capacidad de comparar, reproducir y automatizar experimentos será crítica para resolver desafíos globales complejos. El proyecto demuestra que, si bien la inteligencia artificial es una herramienta poderosa para organizar la información, es más efectiva cuando es guiada por la experiencia humana, creando una sinergia que puede capturar el matraz y la profundidad de la práctica científica en una forma legible por máquinas.

El equipo puso estos recursos a disposición del público de forma gratuita, lanzando los esquemas, el código utilizado para generarlos y las herramientas de análisis bajo licencias abiertas. Esto asegura que la comunidad científica pueda construir sobre este fundamento, añadiendo nuevos esquemas para otros procesos y refinando los existentes según sea necesario. El proyecto también incluye conexiones con el Open Research Knowledge Graph, un sistema que permite que estas descripciones estructuradas se vinculen directamente con los artículos científicos originales, creando un puente entre el texto bruto del descubrimiento y los datos estructurados de la reproducibilidad. Al hacerlo, SciSchema.org ofrece un paso práctico hacia un futuro donde los métodos de la ciencia sean tan accesibles, comparables y reutilizables como los resultados mismos.