Charla sobre tecnología agrícola: El papel creciente de la IA en la I+D agrícola
12 de marzo de 2026 La inteligencia artificial (IA) está transformando rápidamente la forma en que los investigadores agrícolas analizan datos biológicos complejos y aceleran los descubrimientos. En este episodio, Josh Colmer, director ejecutivo y cofundador de Secuencia de rasgos, analiza cómo las herramientas impulsadas por IA están ayudando a los científicos a descubrir conocimientos de la genómica, la metabolómica y otros conjuntos de datos "ómicos" para mejorar la protección de los cultivos, la salud de las plantas y el desarrollo de productos biológicos.
Colmer comparte cómo las arquitecturas de IA emergentes y los sistemas agentes permiten un análisis más profundo, una toma de decisiones más rápida y nuevos enfoques para comprender la biología de las plantas en todo el proceso de I+D.
Transcripción del podcast:
*Esta es una transcripción editada y parcial.
AgriBusiness Global: La IA se está convirtiendo en una herramienta clave en la I+D agrícola. Desde su perspectiva, ¿cómo está cambiando la IA la forma en que las empresas extraen información de datos biológicos complejos, como la genómica y la metabolómica?
Josh Colmer: Creo que se están produciendo dos impactos simultáneos. En primer lugar, existen arquitecturas de IA diseñadas específicamente: modelos de transformadores entrenados con datos de secuencias biológicas que pueden predecir aspectos como la estructura de las proteínas o la función genética de maneras que la estadística tradicional simplemente no podía.
El segundo impacto es la IA con agentes, en la que nos centramos principalmente en TraitSeq. Estos sistemas pueden guiarse para realizar flujos de trabajo analíticos complejos. En la práctica, esto significa que un sistema de IA puede tomar datos de expresión génica o metabolómicos e interpretarlos con la profundidad de quien ha leído cientos de artículos de investigación sobre esos genes, metabolitos y vías.
ABG: Muchas empresas ya generan enormes cantidades de datos ómicos. ¿Por qué los métodos de análisis tradicionales suelen desperdiciar información valiosa y cómo puede la IA extraer más valor de esos conjuntos de datos?
JC: Uno de los mayores obstáculos es traducir los resultados del análisis en algo que impulse una decisión de I+D, ya sea priorizar clientes potenciales, posicionar un producto o comprender por qué un candidato se desempeña mejor que otro.
Otro desafío es que la información de anotación necesaria para interpretar estos conjuntos de datos (funciones genéticas, vías de señalización, bibliotecas de metabolitos) se encuentra dispersa en repositorios académicos en línea. Para obtener el máximo provecho de los datos, sería necesario explorar una amplia gama de fuentes, lo cual no es viable para la mayoría de los equipos.
Los sistemas de IA pueden ayudar a superar esas barreras al conectar los resultados del análisis con el conjunto más amplio de investigaciones publicadas, lo que permite a las empresas tomar decisiones de investigación más informadas más rápidamente.
¡Obtenga el boletín hoy!
