Una prueba con Co-Scientist expuso los límites prácticos de la inteligencia artificial en la investigación del cáncer

Una experiencia en el Whitehead Institute, en Cambridge, Massachusetts, dejó al descubierto la distancia entre lo que una inteligencia artificial puede imaginar y lo que un laboratorio está en condiciones de ejecutar. La bioquímica Anna Pertl, doctora en esa institución, probó Co-Scientist, el sistema de Google para generar hipótesis científicas, y obtuvo primero una propuesta que sorprendió a su equipo. Sin embargo, cuando repitió la consulta incorporando el presupuesto y los plazos de su propio doctorado, la herramienta no produjo ninguna estrategia viable.

Pertl trabajó sobre MYC, una proteína cuyo funcionamiento se altera en la mayoría de los cánceres y que concentra décadas de intentos por encontrar un blanco terapéutico. El ejercicio con Co-Scientist requirió una etapa previa de corrección. Junto a su colega Kalon Overholt, la investigadora destinó casi una hora a enmendar dos errores del sistema: la herramienta confundía los cúmulos de proteínas que debían ser atacados con el propio fármaco y les asignaba en forma sistemática una función de activación de genes, cuando algunos ejercen el efecto contrario.

Una propuesta que no estaba en agenda

Tras los ajustes, la inteligencia artificial procesó durante una noche más de 700 estudios, elaboró 108 estrategias y conservó una sola. La hipótesis seleccionada proponía 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 camino explorado hasta entonces por la literatura científica.

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

• La primera consulta se formuló sin restricciones de tiempo ni dinero: la IA propuso unir los cúmulos proteicos que activan el gen MYC para bloquear la lectura del ADN.
• La segunda consulta incorporó los recursos y plazos reales del doctorado de Pertl: el sistema no devolvió hipótesis viables.
• El sistema necesitó correcciones previas durante casi una hora: confundía blanco terapéutico con fármaco y asignaba funciones equivocadas a los cúmulos proteicos.

El contraste entre generar ideas y probarlas

La evaluación llegó semanas después, cuando Pertl repitió la consulta con las limitaciones concretas de su trabajo. Según trascendió, Anton Sinitskiy, químico computacional de la Universidad Northeastern, señaló que la principal dificultad radica en la comprobación: generar propuestas puede ser rápido, pero validarlas sigue demandando tiempo. Ross King, biólogo computacional de la Universidad de Cambridge, coincidió en esa lectura y describió los planes generados por inteligencia artificial como recetas con limitaciones.

El caso, según pudo reconstruir este portal, reúne tres tareas que continúan dependiendo de intervención especializada: la definición correcta del problema, la revisión de las ideas y la evaluación de la viabilidad de los experimentos. La próxima instancia procesal en la investigación de Pertl será decidir si la hipótesis original de Co-Scientist puede ajustarse a los recursos disponibles o si el equipo debe explorar otro camino dentro de la línea de trabajo sobre MYC.