Una inteligencia artificial imaginó un camino contra el cáncer que el propio laboratorio no puede pagar

En el mundo de la investigación biomédica, las promesas suelen medirse en años y en dólares. La inteligencia artificial aplicada al laboratorio no escapa a esa regla. La última prueba con Co-Scientist, el sistema desarrollado por Google para producir hipótesis científicas, dejó una postal llamativa: la herramienta propuso una estrategia original contra el cáncer, pero ninguna hipótesis sobrevivió cuando se le agregó un dato tan básico como el presupuesto y los plazos reales de un doctorado.

La bioquímica Anna Pertl, que realiza su doctorado en el Whitehead Institute, en Cambridge, Massachusetts, venía trabajando desde hace un año sobre MYC, una proteína cuya alteración aparece en la mayoría de los tumores y contra la que la ciencia lleva décadas buscando estrategias terapéuticas sin éxito contundente. En una prueba reciente, la investigadora alimentó a Co-Scientist con la pregunta central de su trabajo y esperó. El sistema procesó durante una noche más de setecientos estudios, generó 108 propuestas y conservó una: en lugar de intentar disolver los cúmulos de proteínas que activan el gen, proponía unirlos entre sí hasta bloquear la lectura del ADN. Su colega Kalon Overholt lo dijo sin rodeos.

Que dijo un funcionario sobre el futuro: la IA todavía necesita quién le marque el rumbo

«Nunca habíamos pensado en nada parecido», resumió Overholt. La frase condensa tanto el atractivo como el riesgo: una idea que ningún humano había formulado salió de una máquina en pocas horas. El problema apareció cuando la fantasía chocó con la economía real.

Cuando aparece el presupuesto, ¿se cae la hipótesis?

Esa misma idea, sometida a las condiciones reales del laboratorio, no resistió el cruce con los datos. ¿Qué pasó cuando Pertl repitió la consulta agregando los tiempos y el dinero disponibles para su doctorado? Co-Scientist no ofreció una alternativa viable. La propuesta original quedó como una hipótesis imposible de ejecutar en el marco de una tesis.

El resultado importa por lo que dice sobre la frontera actual de la inteligencia artificial en ciencia: la generación de ideas puede ser rápida, pero la prueba sigue siendo lenta y cara. Anton Sinitskiy, químico computacional de la Universidad Northeastern, lo planteó con precisión: la dificultad central no es producir hipótesis, sino comprobarlas. Ross King, biólogo computacional de la Universidad de Cambridge, fue más gráfico al describir los protocolos generados por IA como «recetas», útiles como punto de partida, pero todavía dependientes de quien cocine.

En esa cocina todavía hacen falta tres manos expertas: definir bien el problema, revisar las ideas que devuelve la herramienta y evaluar si los experimentos soñados pueden pagarse. Sin esa intervención, la IA no pasa de ser una mesa de luz que enciende hipótesis brillantes que el presupuesto se encarga de apagar.

La promesa algorítmica sigue intacta; el laboratorio, todavía no.