Probé una IA para buscar hipótesis contra el cáncer y me dejó sin respuestas viables cuando le puse límites de laboratorio

Tengo un problema concreto: necesito ideas nuevas contra el cáncer y mi presupuesto es el de un doctorado. Cuando le planté ese escenario a Co-Scientist, la inteligencia artificial de Google pensada para generar hipótesis científicas, el sistema se quedó sin propuestas viables. Antes, sin restricciones, me había sorprendido con una estrategia que mi equipo jamás había imaginado.

Cómo arrancó la prueba

Trabajo en el Whitehead Institute, en Cambridge, Massachusetts, y mi consulta se centró en MYC, una proteína cuyo funcionamiento se altera en la mayoría de los cánceres. Contra MYC se intentaron decenas de estrategias durante décadas y casi todas fracasaron. Por eso le pedí a la herramienta que revisara la literatura y me tirara opciones distintas.

• Co-Scientist procesó durante una noche más de 700 estudios sobre MYC.
• Generó 108 estrategias posibles para atacar la proteína.
• Después de filtrar, conservó una sola propuesta final.
• La idea era unir entre sí los cúmulos de proteínas que activan el gen hasta impedir la lectura del ADN, en vez de buscar su disolución.

Mi colega Kalon Overholt y yo dedicamos casi una hora a corregir dos errores iniciales de la herramienta: confundía los cúmulos de proteínas que teníamos que atacar con el propio fármaco y les asignaba siempre una función de activación de genes, cuando algunos cumplen el efecto contrario. Recién después de esos ajustes, la IA nos devolvió la propuesta que nos llamó la atención.

“Nunca habíamos pensado en nada parecido.”Kalon Overholt, colega de Anna Pertl

El cruce con el presupuesto y los plazos

La evaluación práctica llegó semanas después, cuando repetí la consulta con los recursos y tiempos reales de mi doctorado. Esa segunda prueba dejó al sistema sin alternativas viables y dejó a la vista la distancia entre formular una hipótesis y poder llevarla al banco del laboratorio.

Anton Sinitskiy, químico computacional de la Universidad Northeastern, sitúa la principal dificultad en comprobar las propuestas: generarlas puede ser rápido, pero ponerlas a prueba sigue demandando tiempo y dinero. Ross King, biólogo computacional de la Universidad de Cambridge, también señaló limitaciones en los protocolos elaborados por IA, que describió como recetas: sirven como punto de partida, pero todavía necesitan mano especializada para volverse experimentos reales.

La experiencia reúne tres tareas que siguen pidiendo intervención humana: definir bien el problema, revisar las ideas que propone el modelo y decidir si los experimentos se pueden hacer con lo que hay en la mesada. Co-Scientist promete acelerar el primer paso, pero la pregunta es cuándo podrá sortear también el segundo y el tercero sin quedarnos sin margen para probarlos.