Una inteligencia artificial diseñada por Google para proponer ideas de investigación se topó con los límites reales de un laboratorio

La consulta a la herramienta de Google ocurrió en el Whitehead Institute, en Cambridge, Massachusetts, y duró cerca de una hora de corrección previa más varias semanas de evaluación posterior. La protagonista fue Anna Pertl, bioquímica que realiza su doctorado y tomó a MYC como blanco de estudio. MYC es una proteína cuyo comportamiento se desregula en la mayoría de los cánceres humanos y que durante décadas fue motivo de intentos terapéuticos sin resultado definitivo.

El sistema se llama Co-Scientist y está pensado para generar hipótesis científicas a partir de literatura existente. Para llegar a una propuesta, primero hubo que ajustar el pedido. Pertl y su colega Kalon Overholt invirtieron casi una hora en revisar dos errores de interpretación: la herramienta confundía los cúmulos de proteínas que debían atacarse con el propio fármaco y les asignaba siempre una función de activación de genes, cuando algunos ejercen el efecto contrario. La analogía que mejor lo describe es la de una receta de cocina que llega con la lista de ingredientes al revés: primero hay que separar la sal del azúcar antes de poder cocinar.

Una vez corregido el planteo, Co-Scientist procesó durante una noche más de 700 estudios sobre MYC, generó 108 estrategias distintas y conservó una. La idea seleccionada consistía en unir entre sí los cúmulos de proteínas que activan el gen hasta bloquear la lectura del ADN, en lugar de buscar su disolución. Para Overholt, fue una sorpresa: nunca habían considerado nada parecido en el equipo.

Lo que cambió cuando se agregó el presupuesto

La prueba más exigente llegó semanas después, cuando repitió la consulta con los recursos y plazos reales de su doctorado. El resultado fue el opuesto: ninguna de las propuestas se sostuvo dentro de los márgenes de tiempo y dinero disponibles. La diferencia entre ambos pedidos fue únicamente la incorporación de restricciones concretas. Anton Sinitskiy, químico computacional de la Universidad Northeastern, resumió el núcleo del problema: generar hipótesis puede ser rápido, pero comprobarlas en el laboratorio sigue siendo lento. Ross King, biólogo computacional de la Universidad de Cambridge, agregó que los protocolos generados por inteligencia artificial suelen funcionar como recetas: indican pasos, pero no garantizan que la cocina tenga los utensil.

• El sistema procesó más de 700 estudios sobre MYC durante una noche y propuso 108 estrategias, de las cuales conservó solo una.
• La hipótesis elegida proponía unir los cueculos de proteínas para impedir la lectura del ADN, en lugar de disolverlos, un enfoque que el grupo no había contemplado.
• Al incorporar los plazos y el presupuesto típicos de un doctorado, la herramienta no ofreció ninguna alternativa que resultara viable en la práctica.
• Los especialistas señalan que la principal dificultad ya no está en proponer ideas, sino en validarlas con experimentos que demandan tiempo, dinero y criterio humano.

Lo que todavía no se sabe

El caso deja varias preguntas abiertas. No está claro si, con más iteraciones o con otro tipo de restricciones, Co-Scientist podría proponer hipótesis que se mantuvieran viables dentro de los límites de un doctorado típico. Tampoco se conoce qué tan generalizable es el comportamiento observado con MYC a otros blancos terapéuticos. Y queda por resolver el papel del investigador en el ciclo: si la herramienta puede asistir en la generación de ideas pero requiere intervención humana para definir el problema, revisar las propuestas y decidir qué entra al laboratorio, el flujo de trabajo híbrido todavía no tiene un protocolo estandarizado. Lo que sí quedó demostrado es que, para MYC, la distancia entre una hipótesis original y un experimento posible suele medirse en años de financiamiento.