La historia empieza con un cruce poco habitual entre una herramienta de inteligencia artificial y una pregunta clínica que lleva décadas abierta. En el Whitehead Institute, en Cambridge, Massachusetts, la bioquímica Anna Pertl llevaba adelante su doctorado centrada en MYC, una proteína cuya alteración aparece en la mayoría de los cánceres y que, pese a los esfuerzos acumulados, todavía no tiene un blanco terapéutico claro. Para explorar nuevas rutas, decidió probar Co-Scientist, el sistema que Google diseñó para generar hipótesis científicas, y el resultado mostró tanto las posibilidades como las dificultades de llevar la inteligencia artificial al laboratorio.

Una primera consulta con más tropiezos que aciertos

La experiencia no arrancó con un hallazgo inmediato. Antes de que la herramienta pudiera trabajar, Pertl y su colega Kalon Overholt dedicaron casi una hora a corregir dos errores de interpretación que el sistema arrastraba de arranque: confundía los cúmulos de proteínas que debían ser el blanco de la estrategia con el propio fármaco, y les asignaba de manera sistemática una función de activación de genes, cuando en realidad algunos de esos cúmulos producen el efecto contrario. Esos desajustes, frecuentes cuando una plataforma de inteligencia artificial se enfrenta a literatura altamente especializada, obligaron a reformular la pregunta antes de avanzar.

Una vez corregido el planteo, Co-Scientist procesó durante una noche más de setecientos estudios académicos sobre el tema, elaboró 108 estrategias posibles y conservó apenas una. La propuesta elegida consistía en unir entre sí los cúmulos de proteínas que activan el gen hasta bloquear físicamente la lectura del ADN, en lugar de intentar disolver esos cúmulos como se había buscado hasta ahora. La idea no tenía antecedentes cercanos en el grupo y llamó la atención de los investigadores. “Nunca habíamos pensado en nada parecido”, reconoció Overholt al repasar el resultado.

El presupuesto y los plazos como filtro final

La evaluación más exigente llegó semanas después. Pertl volvió a formular la consulta, pero esta vez incorporó una restricción habitual y decisiva en la vida de un laboratorio académico: los tiempos y el dinero disponibles para su doctorado. Bajo esas condiciones, el sistema no logró encontrar ninguna hipótesis que resultara viable dentro de esos márgenes. La diferencia entre los dos ensayos dejó a la vista la distancia que existe entre formular una idea interesante y contar con los recursos concretos para llevarla al banco de trabajo.

• Co-Scientist es una herramienta de Google diseñada para generar hipótesis científicas a partir de grandes volúmenes de literatura académica.
• La proteína MYC aparece alterada en la mayoría de los cánceres y es un blanco terapéutico buscado desde hace décadas sin éxito consolidado.
• En la primera prueba, la IA revisó más de 700 estudios y propuso 108 estrategias, de las cuales retuvo solo una, orientada a unir cúmulos de proteínas en vez de disolverlos.
• En la segunda prueba, con restricciones de tiempo y presupuesto propias de un doctorado, el sistema no ofreció ninguna hipótesis viable.
• Los investigadores debieron dedicar casi una hora a corregir errores de interpretación antes de obtener un resultado aprovechable.

Lo que la experiencia dejó como enseñanza

El episodio, más allá del resultado concreto, volvió a poner sobre la mesa las limitaciones que especialistas venían señalando. Anton Sinitskiy, químico computacional de la Universidad Northeastern, ubicó el cuello de botella principal en la etapa de comprobación: generar hipótesis puede ser un proceso rápido, pero ponerlas a prueba en el laboratorio sigue demandando tiempo, reactivos y personal. Ross King, biólogo computacional de la Universidad de Cambridge, fue todavía más directo y describió los protocolos elaborados por inteligencia artificial como “recetas”, útiles como punto de partida pero insuficientes sin el juicio experto que decide qué ensayo tiene sentido y cómo debe hacerse. Para el equipo del Whitehead Institute, el saldo fue una demostración concreta de que la inteligencia artificial puede ampliar el menú de ideas, pero todavía no reemplaza las decisiones que toma un investigador cuando tiene que ajustar la lupa a los recursos disponibles. Acá, como en cualquier laboratorio del mundo, la pregunta ya no es si la máquina puede proponer algo original, sino si hay tiempo y presupuesto para verificarlo.