Una IA propuso una hipótesis inédita sobre un gen clave del cáncer, pero el presupuesto y los plazos del laboratorio la dejaron sin respuesta

Un sistema de inteligencia artificial de Google eligió, en una noche, una hipótesis sobre el cáncer que los investigadores nunca habían imaginado. La propuesta se refería a MYC, una proteína cuyo funcionamiento se altera en la mayoría de los tumores y que durante décadas resistió los intentos de la ciencia por encontrar un blanco terapéutico. El hallazgo llamó la atención del equipo, pero duró poco: cuando le agregaron las condiciones reales de un doctorado —plazos acotados y presupuesto limitado—, la herramienta no produjo ninguna hipótesis que pudiera llevarse al laboratorio.

Un problema mal interpretado

La protagonista del ensayo fue Anna Pertl, bioquímica que realiza su doctorado en el Whitehead Institute, en Cambridge, Massachusetts. Antes de obtener un resultado útil, ella y su colega Kalon Overholt dedicaron casi una hora a corregir dos errores de interpretación del sistema. La IA confundía los cúmulos de proteínas que debían ser el blanco del tratamiento con el propio fármaco y, además, les asignaba siempre una función de activación de genes. Algunos de esos cúmulos, en cambio, cumplen el efecto contrario. Sin esa corrección, cualquier hipótesis hubiera apuntado en la dirección equivocada.

Una vez ajustado el planteo, Co-Scientist procesó durante una noche más de 700 estudios, generó 108 estrategias y conservó una sola. La propuesta, contra toda expectativa, no buscaba disolver los cúmulos de proteínas que activan el gen, sino unirlos entre sí hasta impedir la lectura del ADN. Overholt lo resumió con una frase: “Nunca habíamos pensado en nada parecido”.

La segunda prueba, con presupuesto y plazos

Semanas después, Pertl repitió la consulta, pero esta vez con los recursos y los tiempos disponibles para su doctorado, los mismos que tendría cualquier investigador joven en su lugar. El sistema no encontró una hipótesis viable. El contraste fue elocuente: la misma herramienta que había producido una idea original bajo condiciones abiertas se quedó sin respuestas cuando el mundo real le impuso restricciones concretas.

“Generar hipótesis puede ser rápido, pero ponerlas a prueba sigue demandando tiempo. Esa es, por ahora, la principal limitación.”Anton Sinitskiy, químico computacional de la Universidad Northeastern

Ross King, biólogo computacional de la Universidad de Cambridge, coincidió en el diagnóstico desde otro ángulo. Para él, los protocolos que elaboran estos sistemas se parecen a “recetas”: pueden describir pasos, pero no garantizan que esos pasos funcionen cuando se los lleva al banco del laboratorio.

Lo que la herramienta todavía no resuelve

• Definir correctamente el problema: la IA interpretó mal el rol de los cúmulos de proteínas y recién funcionó tras una corrección humana.
• Revisar las ideas: de 108 estrategias generadas, solo una pasó el filtro inicial y aun así debió ajustarse.
• Evaluar la viabilidad experimental: con presupuesto y plazos reales, ninguna hipótesis resultó practicable.

El caso expone tres tareas que, por ahora, siguen dependiendo de especialistas con experiencia en el laboratorio: encuadrar bien la pregunta, revisar las ideas que propone la máquina y decidir si los experimentos pueden financiarse y ejecutarse a tiempo. La inteligencia artificial acelera la primera etapa del trabajo científico —la lluvia de ideas y el cruce de literatura—, pero no reemplaza la instancia final, la que decide qué pasa del papel a la mesada.

El propio equipo lo dejó planteado como una pregunta abierta: si el sistema hubiera producido una hipótesis distinta con las restricciones incorporadas desde el inicio, ¿habría cambiado el resultado? La respuesta, por ahora, no se conoce.