La inteligencia artificial que soñó una hipótesis contra el cáncer y chocó contra el presupuesto de un doctorado

Con un presupuesto acotado y los plazos ajustados de un doctorado, la inteligencia artificial no logró ofrecer una hipótesis aprovechable contra uno de los blancos más esquivos de la oncología. En un intento anterior, sin esas restricciones, la misma herramienta había propuesto una estrategia que sorprendió a los investigadores. La diferencia entre ambos resultados ilustra con claridad la distancia que todavía separa a la generación automática de ideas y su ejecución concreta en el laboratorio.

Una proteína clave y un equipo en Massachusetts

La consulta estuvo a cargo de la bioquímica Anna Pertl, quien realiza su doctorado en el Whitehead Institute, en Cambridge, Massachusetts. El blanco elegido fue MYC, una proteína cuya regulación se altera en la mayoría de los cánceres y que durante décadas fue objeto de intentos terapéuticos sin resultados definitivos. Para Pertl y su colega Kalon Overholt, MYC representaba un caso de prueba exigente: un objetivo biológico central sobre el que ya se había escrito mucho y poco se había podido hacer.

Antes de procesar la literatura, Co-Scientist necesitó una corrección manual de casi una hora. El sistema confundía los cúmulos de proteínas que debían ser atacados con el propio fármaco y les asignaba de manera sistemática una función de activación de genes, cuando en realidad algunos cumplen el efecto contrario. Esa etapa de revisión fue determinante para que la propuesta posterior tuviera sentido para los investigadores.

Más de 700 estudios y una sola estrategia

Tras los ajustes, la herramienta trabajó durante una noche sobre más de 700 estudios, generó 108 estrategias y retuvo apenas una. La propuesta sugería unir entre sí los cúmulos de proteínas que activan el gen hasta impedir la lectura del ADN, en lugar de intentar disolverlos, que era la aproximación habitual. “Nunca habíamos pensado en nada parecido”, resumió Overholt. La idea resultaba conceptualmente interesante, aunque distante de lo que un laboratorio podía costear.

El papel del presupuesto y los plazos

La evaluación práctica llegó semanas después, cuando Pertl volvió a formular la consulta agregando los recursos y los tiempos disponibles para su doctorado. Esa segunda prueba dejó sin alternativas viables al sistema y puso en evidencia que la viabilidad económica y temporal puede descartar hipótesis que, sobre el papel, resultan originales. En palabras de los investigadores consultados, la diferencia entre un resultado y otro dependió menos de la creatividad de la herramienta que de las condiciones reales de trabajo.

Lo que sigue siendo tarea humana

• Definir correctamente el problema, evitando que la IA confunda blancos terapéuticos con fármacos.
• Revisar las ideas propuestas y depurar los errores de interpretación iniciales.
• Evaluar si los experimentos derivados pueden ejecutarse dentro de los plazos y presupuestos disponibles.
• Diseñar protocolos verificables, ya que las recetas generadas automáticamente todavía presentan limitaciones, según Ross King, biólogo computacional de la Universidad de Cambridge.
• Diseñar instancias de comprobación, que según Anton Sinitskiy, químico computacional de la Universidad Northeastern, siguen demandando tiempos prolongados.

Lo que dejó la prueba es una hoja de ruta con dos caras: por un lado, la capacidad de Co-Scientist para procesar literatura a gran velocidad y proponer enfoques originales en una sola noche; por el otro, la confirmación de que, sin intervención especializada, esos enfoques pueden quedar atrapados entre la fantasía conceptual y la imposibilidad material. La próxima temporada de ensayos en el laboratorio dirá si la propuesta retenida termina en mesada o vuelve al cajón de las hipótesis que la IA imaginó y el presupuesto no pudo bancar.