Els grans models d'IA generativa aplicats a la biologia, a l'estil d'AlphaFold, han après sobretot a predir estructures estàtiques: la forma final d'una proteïna, per exemple. El repte que queda obert és un altre: predir com canvia un sistema biològic al llarg del temps, sigui una proteïna plegant-se pas a pas o una cèl·lula responent a un fàrmac.
Jianlin «Jack» Cheng, professor distingit de la Universitat de Missouri i titular de la càtedra Paul K. i Diane Shumaker en bioinformàtica, ha publicat el 9 de setembre a Nature Machine Intelligence, juntament amb el seu equip, l'article «Flow matching for generative modelling in bioinformatics and computational biology», una de les revisions més exhaustives fetes fins ara sobre el «flow matching»: una tècnica que, en paraules del mateix Cheng, «ajuda els ordinadors a aprendre com canvia la biologia d'un estat a un altre». L'article recull aplicacions ja explorades en el plegament de proteïnes, la simulació de la resposta cel·lular a tractaments i l'acceleració del descobriment de fàrmacs.
Els autors presenten el treball explícitament com un full de ruta perquè altres grups de recerca apliquin aquesta tècnica, amb la vista posada en un objectiu a llarg termini: la «cèl·lula virtual», un model computacional prou complet perquè els científics puguin provar-hi hipòtesis abans de fer-ho al laboratori, cosa que en principi podria reduir la dependència d'assajos amb animals o amb persones.
Es tracta d'un article de revisió, no d'un resultat experimental nou: organitza i sistematitza mètodes que ja existien en lloc d'aportar una troballa de laboratori pròpia, i la «cèl·lula virtual» que hi apunten els autors continua sent, de moment, una aspiració a llarg termini més que una eina disponible.