Una inteligencia artificial pensó contra el cáncer, pero el presupuesto del laboratorio le puso un freno

En uno de los pasillos del laboratorio del Whitehead Institute, en Cambridge, Massachusetts, la bioquímica Anna Pertl ajustaba los últimos detalles de una consulta que le había llevado casi una hora corregir. Del otro lado de la pantalla, el sistema de inteligencia artificial Co-Scientist, desarrollado por Google, terminaba de masticar más de setecientos estudios publicados sobre MYC, una proteína cuya disfunción está detrás de la mayoría de los tumores. La escena resumía, sin proponérselo, el estado actual de la inteligencia artificial aplicada a la investigación biomédica: una herramienta que promete atajos teóricos y, al mismo tiempo, todavía depende de que alguien le marque el camino.

La primera consulta: una idea que sorprendió al equipo

Co-Scientist trabaja a partir de instrucciones escritas por los investigadores. En el planteo original, Pertl y su colega Kalon Overholt detectaron dos errores de interpretación que la máquina arrastraba de arranque: confundía los cúmulos de proteínas que debían ser atacados con el propio fármaco y les asignaba, de manera uniforme, una función de activación de genes, cuando en realidad algunos de esos cúmulos producen el efecto contrario. Resolver esos desajustes les demandó cerca de una hora.

Una vez corregido el rumbo, el sistema procesó durante una noche la bibliografía disponible. Devolvió 108 estrategias posibles y, tras un primer filtro, conservó una. La propuesta sugería unir entre sí los cúmulos de proteínas que activan el gen MYC hasta impedir la lectura del ADN, en lugar de buscar su disolución, que era la aproximación clásica. Overholt lo reconoció con una frase que los investigadores repiten cuando la máquina los descoloca: “Nunca habíamos pensado en nada parecido”.

Segunda vuelta: aparece el presupuesto y todo cambia

Semanas más tarde, Pertl repitió la consulta. Esta vez le agregó dos variables que en el primer intento habían quedado afuera: el presupuesto y los plazos propios de un doctorado. La respuesta fue otra. Co-Scientist no ofreció ninguna hipótesis que se pudiera ejecutar con los recursos disponibles. La herramienta, que había producido una idea audaz cuando el horizonte era abierto, se quedó sin opciones cuando el horizonte se ajustó a la realidad de un laboratorio con fondos acotados.

“Generar propuestas puede ser rápido, pero ponerlas a prueba sigue demandando tiempo y dinero.”Anton Sinitskiy, químico computacional de la Universidad Northeastern

• Definir correctamente el problema: la IA requiere que el investigador precise qué busca y corrija lecturas equivocadas, como ocurrió con la función asignada a los cúmulos de proteínas.
• Revisar las ideas generadas: los especialistas deben evaluar si cada propuesta tiene sentido biológico antes de avanzar, una tarea que la herramienta no puede reemplazar.
• Evaluar la viabilidad experimental: el presupuesto, los plazos y el equipamiento disponible siguen siendo filtros que la máquina no resuelve por sí sola.

Entre la hipótesis y el tubo de ensayo

Sigamos la plata. El caso reúne un dato central para discutir el papel de la inteligencia artificial en la ciencia: todavía hay tres tareas reservadas al trabajo humano. La primera es encuadrar bien la pregunta. La segunda, pasar revista a las ideas que devuelve el sistema. La tercera, y la más determinante, decidir si el experimento puede financiarse y ejecutarse a tiempo. Ross King, biólogo computacional de la Universidad de Cambridge, resumió el resto cuando advirtió que los protocolos generados por estas herramientas terminan siendo, en la práctica, poco más que “recetas”: indicaciones generales que demandan ajustes costosos para convertirse en procedimientos de laboratorio.

En el Whitehead Institute, la diferencia entre el primer y el segundo resultado dejó una conclusión incómoda. La misma plataforma que acertó a proponer una estrategia inédita sobre MYC se quedó en silencio cuando se le pidió que esa estrategia fuera realizable. En esa frontera entre la pantalla y la mesada se juega, por ahora, el verdadero límite de la inteligencia artificial aplicada al cáncer. Quien gana es el investigador que combina el caudal de datos de la máquina con el juicio crítico propio; quien pierde, la idea de que un sistema pueda, por sí solo, mover del teclado al laboratorio una hipótesis contra el cáncer.