El sistema Co-Scientist, desarrollado por Google para asistir en la generación de hipótesis científicas, fue sometido a una prueba concreta en el campo de la oncología: el resultado fue una idea original sobre un objetivo terapéutico clásico, la proteína MYC, pero también una lección sobre los límites prácticos que enfrenta la inteligencia artificial cuando se la confronta con las restricciones de un doctorado real.

Vamos a los números: la bioquímica Anna Pertl, doctoranda en el Whitehead Institute de Cambridge, Massachusetts, trabajó junto a su colega Kalon Overholt en una consulta dirigida a MYC, una proteína cuyo desregulación aparece en la mayoría de los cánceres y sobre la cual se acumularon décadas de intentos fallidos por desarrollar fármacos efectivos.

De la consulta a la hipótesis

Antes de producir resultados útiles, el sistema necesitó casi una hora de corrección. Pertl y Overholt advirtieron que Co-Scientist confundía los cúmulos de proteínas que debían ser el blanco terapéutico con el propio fármaco y, además, les asignaba de manera sistemática una función activadora de genes, cuando algunos de esos cúmulos ejercen el efecto contrario.

Una vez ajustado el planteo, la herramienta procesó durante una noche más de 700 estudios, generó 108 estrategias y conservó solo una. La propuesta seleccionada consistía en unir entre sí los cúmulos de proteínas que activan el gen MYC hasta bloquear la lectura del ADN, en lugar de buscar su disolución, el enfoque dominante hasta el momento. "Nunca habíamos pensado en nada parecido", sostuvo Overholt al conocer la salida del sistema.

El cruce con los tiempos y el dinero

La evaluación práctica llegó semanas después. Cuando Pertl repitió la consulta introduciendo los plazos y el presupuesto disponibles para su doctorado, Co-Scientist no ofreció ninguna hipótesis viable. La primera ronda, sin restricciones, había producido una idea original; la segunda, condicionada por la realidad del laboratorio, dejó al sistema sin alternativas ejecutables.

El contraste entre ambas corridas muestra un dato que suele quedar fuera del debate sobre inteligencia artificial en ciencia: la distancia entre formular una hipótesis y poder llevarla al banco del laboratorio sigue siendo enorme, y las restricciones de tiempo y dinero siguen decidiendo qué ideas se prueban y cuáles no.

“Generar hipótesis puede ser rápido, pero comprobarlas sigue demandando tiempo y recursos que no se acortan con la misma facilidad.”Anton Sinitskiy, químico computacional de la Universidad Northeastern

“Los protocolos producidos por inteligencia artificial funcionan, en el mejor de los casos, como recetas: sirven como punto de partida, pero requieren revisión y adaptación constante.”Ross King, biólogo computacional de la Universidad de Cambridge

El caso reúne, en definitiva, tres tareas que la automatización todavía no resuelve por sí sola: definir correctamente el problema, depurar las ideas que produce el modelo y decidir si los experimentos propuestos entran en el calendario y en el presupuesto de un grupo de investigación.

Si la promesa de la inteligencia artificial en la investigación biomédica depende de atravesar ese triple filtro, ¿cuánto del atraso en el desarrollo de fármacos contra MYC se explica por el mismo cuello de botella que hoy frena a Co-Scientist?