Una inteligencia artificial propuso una estrategia inédita contra un gen clave del cáncer, pero la falta de presupuesto dejó la idea sin vuelo

El presupuesto y los plazos de un doctorado cambiaron el resultado de un experimento con inteligencia artificial aplicada a la investigación del cáncer. Cuando la bioquímica Anna Pertl agregó esas condiciones a su consulta, Co-Scientist no produjo ninguna hipótesis viable. En un intento anterior, sin esas restricciones, el sistema de Google había seleccionado una propuesta que llamó la atención de su equipo.

Pertl cursa su doctorado en el Whitehead Institute, en Cambridge, Massachusetts. Su consulta se centró en MYC, una proteína cuyo funcionamiento se altera en la mayoría de los cánceres y contra la que se llevan décadas intentando desarrollar estrategias. Para ubicarla en una cocina: MYC es como un interruptor maestro que queda trabado en la posición de encendido y obliga a la célula a multiplicarse sin freno.

Cómo funciona la herramienta

Co-Scientist es un sistema de Google diseñado para proponer hipótesis científicas a partir de literatura existente. En la práctica funciona así: primero hay que cargar la pregunta de investigación y revisarla con cuidado, porque una mala formulación arrastra todo el resultado. Después, el sistema lee durante horas o días un gran volumen de papers, genera decenas de estrategias candidatas y las va descartando hasta conservar unas pocas. Por último, devuelve las propuestas mejor rankeadas para que el equipo humano las evalúe y, sobre todo, decida si son viables en el laboratorio.

El trabajo con la herramienta no arrancó en limpio. Pertl y su colega Kalon Overholt dedicaron casi una hora a corregir dos interpretaciones equivocadas: el sistema confundía los cúmulos de proteínas que debían ser el blanco con el propio fármaco y les asignaba siempre una función de activación de genes, cuando en realidad algunos de esos cúmulos hacen lo contrario, es decir, apagarlos.

Después de esos ajustes, la inteligencia artificial procesó durante una noche más de 700 estudios, generó 108 estrategias y conservó una sola. La propuesta consistía en unir entre sí los cúmulos de proteínas que activan el gen hasta impedir la lectura del ADN, en lugar de buscar su disolución, que era el enfoque clásico. Siguiendo con la comparación doméstica: en vez de intentar desarmar el interruptor trabado, la idea propone pegarlo con otras piezas hasta que ya no pueda moverse.

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

Lo que pasó cuando se sumó el presupuesto

La evaluación práctica llegó semanas después, cuando Pertl repitió la consulta con los recursos y los tiempos disponibles para un doctorado típico. Esa segunda prueba dejó sin alternativas viables al sistema y mostró la distancia entre formular una hipótesis atractiva 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, como descargar una lista de ideas en minutos, pero ponerlas a prueba sigue demandando meses o años de trabajo experimental. Ross King, biólogo computacional de la Universidad de Cambridge, también señaló limitaciones en los protocolos elaborados por inteligencia artificial, que describió como recetas: muchas veces incompletas o difíciles de ejecutar tal como llegan.

El caso reúne tres tareas que siguen pidiendo intervención especializada. La primera es definir correctamente el problema, porque un error de interpretación, como los que tuvo que corregir el equipo de Pertl, puede orientar toda la búsqueda en una dirección equivocada. La segunda es revisar las ideas que devuelve el sistema y compararlas con el conocimiento previo del campo. La tercera, y la más crítica, es evaluar si los experimentos propuestos pueden financiarse y ejecutarse dentro de los tiempos de un grupo real, algo que los modelos todavía no resuelven solos.