La inteligencia artificial que quiso pensar un anticancerígeno y chocó contra los plazos de un doctorado

Les cuento esta historia con la cadencia de los chamamés lentos, esos que se desgranan entre acordeones y pensamientos, porque hay una noticia reciente sobre inteligencia artificial y cáncer que parece sacada de un patio correntino donde la ciencia y la superstición todavía se dan la mano. Una investigadora muy joven, llamada Anna Pertl, le pidió a una máquina que imaginara un modo nuevo de atacar a MYC, una proteína cuyo comportamiento se descontrola en la mayoría de los tumores y a la que la medicina lleva décadas intentando domesticar sin demasiado éxito. La máquina en cuestión se llama Co-Scientist y es una criatura de Google diseñada para proponer hipótesis científicas. Cuando se le dieron rienda suelta y presupuesto abierto, la herramienta respondió con una idea que dejó boquiabiertos a los propios investigadores. Cuando se le impusieron las limitaciones reales de un doctorado cualquiera, la misma máquina se quedó en silencio.

Para entender lo que viene, conviene conocer a los protagonistas. Pertl hace su doctorado en el Whitehead Institute, un laboratorio venerable de Estados Unidos ubicado en Cambridge, Massachusetts, y trabaja junto a su colega Kalon Overholt. Los dos comparten una obsesión: MYC, esa proteína que cuando funciona bien regula el encendido de genes vinculados al crecimiento celular y cuando se vuelve loca empuja a las células a multiplicarse sin freno, abriendo la puerta a buena parte de los cánceres que conocemos. Llevan años buscando cómo pegarle donde más duele.

Una propuesta que nadie había imaginado

El primer paso fue casi tan trabajoso como la propia hipótesis. Como me contaba un amigo bioquímico con cara de pocos amigos, las inteligencias artificiales suelen entrar a la cocina con muchas ganas pero poca letra chica. En este caso, Co-Scientist confundía los cúmulos de proteínas que debían ser el blanco con el propio fármaco, y además les asignaba siempre una función de activación de genes, cuando en realidad algunos de esos cúmulos hacen exactamente lo contrario. Overholt y Pertl dedicaron casi una hora a corregir esos dos errores de interpretación, una tarea tan paciente como desoxidante. Después de los ajustes, la IA procesó durante una noche entera más de setecientos estudios, generó ciento ocho estrategias posibles y conservó una. La propuesta elegida consistía en unir entre sí los cúmulos de proteínas que activan el gen hasta impedir la lectura del ADN, en vez de buscar su disolución, que era la idea más transitada hasta el momento.

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

La segunda prueba fue la que enfrió el entusiasmo, y aquí viene la parte que más me interesa contarles, porque habla de cómo se hace ciencia de verdad en este país y en cualquier país donde el dinero no sobra. Semanas después del hallazgo inicial, Pertl repitió la consulta pero esta vez le dijo a la máquina algo tan concreto como cruel: estos son los recursos y los tiempos que tengo para mi doctorado. La herramienta, que antes había sido tan generosa con sus ideas, no produjo ni una sola hipótesis viable. La diferencia entre una gran idea y un experimento posible resultó ser, otra vez, una cuestión de presupuesto.

Por qué la IA todavía no reemplaza al químico con delantal

El caso, mirado con cierta distancia, reúne tres tareas que siguen necesitando de la intervención especializada de personas de carne y hueso, y vale la pena enumerarlas para no dejarse llevar por la euforia tecnológica del momento. La inteligencia artificial puede ser rápida para sugerir hipótesis, pero todavía depende de nosotros para tres pasos fundamentales.

• Definir correctamente el problema: la consulta inicial tuvo que ser corregida durante casi una hora porque el sistema malinterpretaba blancos y mecanismos de acción.
• Revisar las ideas generadas: de las 108 estrategias producidas, solo una quedó en pie tras la evaluación humana.
• Evaluar la viabilidad experimental: la segunda prueba, con restricciones reales de tiempo y dinero, dejó sin alternativas al sistema.

Dos voces expertas ponen los puntos sobre las íes. Anton Sinitskiy, químico computacional de la Universidad Northeastern, sitúa la principal dificultad en la etapa de comprobación: generar hipótesis puede ser rápido, pero ponerlas a prueba en el laboratorio sigue demandando tiempo y recursos que ninguna máquina regala. Ross King, biólogo computacional de la Universidad de Cambridge, fue más gráfico y definió a los protocolos elaborados por inteligencia artificial como meras recetas, instrucciones que sirven de punto de partida pero que no reemplazan el criterio de quien cocina el experimento. La observación de King, dicho sea de paso, me recuerda a las recetas de cocina que se transmiten de generación en generación en los pueblos del Litoral: útiles, sugerentes, pero siempre mejoradas por la mano que las ejecuta.

Yo les recomiendo, si este tema los toca de cerca, seguir de cerca a la bioquímica Pertl y a su colega Overholt, porque lo que está en juego no es una fantasía de laboratorio sino una carrera concreta contra un enemigo celular que nos afecta a todos. La inteligencia artificial promete, y en este caso cumplió a medias, pero la historia demuestra que sin presupuesto, sin plazos y sin la mirada atenta de un investigador que sabe leer entre líneas, hasta la hipótesis más brillante se queda en el camino. Como en los mejores chamamés, la emoción está en lo que todavía queda por tocar.