Una inteligencia artificial le ganó al laboratorio en creatividad, pero perdió cuando apareció el presupuesto

En el mundo de la investigación biomédica aparece cada tanto una herramienta que promete cambiar la manera de hacer ciencia. Esta vez le tocó el turno a Co-Scientist, un sistema de inteligencia artificial desarrollado por Google, que se presenta como un asistente para pensar hipótesis. La promesa suena potente: en lugar de pasar semanas leyendo artículos, el investigador le hace una pregunta y la máquina devuelve ideas ordenadas. La realidad, como suele pasar con las promesas de este tipo, es más matizada. Una prueba reciente con esta herramienta, centrada en un viejo enemigo de la oncología, mostró tanto lo que la IA ya puede hacer como los límites que todavía la separan del trabajo de laboratorio.

La protagonista del experimento fue Anna Pertl, bioquímica que cursa su doctorado en el Whitehead Institute, en la ciudad estadounidense de Cambridge, Massachusetts. Su campo de estudio gira alrededor de MYC, una proteína que cumple un papel central en la mayoría de los cánceres humanos. MYC funciona como un interruptor maestro: cuando opera bien, regula la expresión de los genes; cuando se desregula, dispara una proliferación celular descontrolada. Durante décadas, buena parte de la investigación buscó drogas capaces de bloquear su acción, aunque todavía no se logró un tratamiento eficaz dirigido a esta proteína.

Cómo funciona la herramienta

Co-Scientist opera de manera comparable a un becario muy aplicado: recibe una consigna, la traduce a un formato que pueda procesar y revisa una enorme cantidad de literatura científica en busca de pistas. En el caso de Pertl, después de una noche de trabajo, el sistema revisó más de 700 estudios publicados y generó 108 estrategias posibles, de las cuales conservó una sola como propuesta principal.

Antes de llegar a esa respuesta, hubo un paso previo en el que la IA necesitó corrección humana. Como una receta que arranca mal medida y hay que ajustar la cantidad de sal, el sistema confundía dos elementos clave del problema: identificaba como blanco al fármaco en lugar de los cúmulos de proteínas que se busca atacar. Además, asumía que esos cúmulos siempre activan genes, cuando en realidad algunos cumplen la función contraria. Entre Pertl y su colega Kalon Overholt dedicaron casi una hora a reformular la consulta para que la herramienta entendiera bien el pedido.

La idea que sorprendió al equipo

La hipótesis que la IA devolvió llamó la atención porque proponía un enfoque original: en lugar de buscar cómo deshacer esos cúmulos de proteínas que activan MYC, sugería unirlos más entre sí, de manera que terminaran por impedir la lectura del ADN, como si se atascara la cerradura con tanto material que la llave ya no entra ni sale. Overholt, al ver la propuesta, señaló con honestidad que nunca habían pensado en algo así. Esa clase de respuestas contraintuitivas es justamente lo que se espera de un asistente que ayude a mover las ideas de lugar.

El cruce con la realidad: presupuesto y plazos

La verdadera prueba llegó semanas después, cuando Pertl le pidió al sistema lo mismo, pero esta vez con una condición muy concreta: ajustarse al presupuesto y a los tiempos reales de un doctorado, es decir, con recursos limitados y ventanas de tiempo cortas. La respuesta cambió por completo. En esa segunda consulta, Co-Scientist no produjo ninguna hipótesis que resultara viable en la práctica.

El contraste resulta ilustrativo: con restricciones suaves, la herramienta puede sugerir ideas creativas; con restricciones duras, propias de cualquier laboratorio que administra fondos públicos o becas, las propuestas se evaporan. En términos sencillos, la máquina imagina con buen tino cuando el horizonte es amplio, pero tropieza cuando hay que pisar el terreno de los reactivos, los plazos y la plata.

Las tareas que todavía necesitan humanos

Especialistas consultados a partir del caso coinciden en que la generación de hipótesis es apenas el primer paso de una cadena larga. Anton Sinitskiy, químico computacional de la Universidad Northeastern, resumió la cuestión al señalar que producir ideas puede ser rápido, pero comprobarlas sigue demandando tiempo y recursos. Ross King, biólogo computacional de la Universidad de Cambridge, coincidió y añadió que los protocolos generados por IA funcionan como recetas: pueden estar bien escritos, pero no reemplazan el criterio de quien los ejecuta.

En concreto, el experimento dejó en claro tres tareas que hoy siguen dependiendo de especialistas: definir el problema de manera correcta, revisar las ideas que devuelve la máquina y evaluar si los experimentos propuestos pueden llevarse adelante con los recursos disponibles.

Qué falta para que llegue a todos los laboratorios

Para que un sistema como Co-Scientist pase de los titulares a los mesones de los laboratorios, falta todavía recorrer un trecho importante. Es necesario que entienda mejor el lenguaje específico de cada disciplina, que incorpore de manera nativa las restricciones reales de presupuesto, y que ofrezca garantías sobre la trazabilidad de cada idea, es decir, que muestre de dónde salió cada razonamiento. También hacen falta más pruebas independientes en áreas distintas del cáncer, para saber si el comportamiento se replica o si depende del tema. Hasta que esos pasos se den, la IA promete ser una copiloto creativa más que una reemplazo del científico.

• La herramienta Co-Scientist, de Google, procesó más de 700 estudios sobre la proteína MYC y propuso una hipótesis original para combatir el cancer.
• Los investigadores debieron dedicar casi una hora a corregir errores iniciales de interpretación antes de obtener una respuesta útil.
• Sin restricciones de presupuesto y tiempo, la IA generó 108 estrategias y eligió una que el equipo humano no había considerado.
• Cuando se le agregaron las limitaciones reales de un doctorado, el sistema no encontró ninguna hipótesis viable.
• Especialistas consultados remarcaron que la generación de ideas es solo el primer paso y que la comprobación experimental sigue dependiendo de personas y recursos.