Cuando la IA le gana a la intuición y la falta de plata le gana a la IA

Pongámonos en tema: una investigadora le pidió a una inteligencia artificial que le ayude con un problema central del cáncer y la máquina le devolvió una idea que ni ella ni su equipo se habían planteado jamás. Después le agregó una restricción muy terrenal, la plata y el tiempo que tenía, y la misma IA se quedó sin respuesta.

Eso fue lo que le pasó a la bioquímica Anna Pertl, que está haciendo su doctorado en el Whitehead Institute, en Cambridge, Estados Unidos. Su tema es MYC, una proteína que se descontrola en la mayoría de los tumores y a la que la ciencia lleva décadas tratando de apuntar sin demasiado éxito.

La propuesta que nadie había imaginado

Para llegar a esa idea, Pertl tuvo que pelearse con la herramienta. Junto con el biólogo Kalon Overholt dedicaron casi una hora a corregir dos errores de arranque: la IA confundía los cúmulos de proteínas que había que atacar con el propio fármaco y les asignaba siempre una función de activar genes, cuando algunos hacen exactamente lo contrario.

Recién después de esos ajustes la herramienta, llamada Co-Scientist y desarrollada por Google, procesó durante una noche más de 700 estudios, generó 108 estrategias y se quedó con una sola. La idea era juntar entre sí los cúmulos que activan el gen hasta trabar la lectura del ADN, en lugar de intentar disolverlos como se venía probando.

“Nunca habíamos pensado en nada parecido.”Kalon Overholt, biólogo del Whitehead Institute

Por qué la idea no llegó al laboratorio

• Presupuesto acotado y plazos cortos del doctorado dejaron a la IA sin una hipótesis viable.
• Comprobar las propuestas en el banco sigue siendo lento, más allá de lo rápido que la máquina las genere.
• Los protocolos armados por inteligencia artificial son descriptos por especialistas como recetas, útiles pero genéricos.
• Definir bien el problema y revisar lo que propone el sistema sigue dependiendo de expertos humanos.

Es decir, la máquina tuvo un destello creativo y se quedó en eso. Anton Sinitskiy, químico computacional de la Universidad Northeastern, lo resume con una idea que vale la pena tener presente: generar hipótesis puede ser rápido, pero testearlas sigue costando tiempo y dinero.

La experiencia de Pertl sirve para poner en perspectiva lo que se viene contando sobre inteligencia artificial y ciencia. La herramienta puede leer cientos de papers en una noche, cruzar campos y proponer enfoques que se le escaparon a quienes llevan años con el tema. Pero, cuando la pregunta pasa del escritorio al laboratorio, la respuesta depende de tubos de ensayo, subsidios y cronogramas. Y ahí, por ahora, la IA no mueve el amperímetro.

El caso deja una enseñanza clara para quienes siguen de cerca estos avances: la IA ya está siendo útil en la etapa creativa de la investigación biomédica, pero el salto del papel a la mesada todavía es terreno humano. La pregunta es cuándo aparecerá un sistema que no solo piense la hipótesis, sino que también evalúe con realismo si se puede bancar el experimento.