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

El experimento partió de un recorte preciso: los recursos y los tiempos con los que cuenta un doctorado en bioquímica para llevar adelante su investigación. Cuando la científica Anna Pertl incorporó esas condiciones a su consulta a Co-Scientist, la herramienta de Google orientada a generar hipótesis científicas no produjo ninguna propuesta viable, un resultado que puso en primer plano la brecha entre lo que un sistema de inteligencia artificial puede idear y lo que efectivamente puede ejecutarse en un laboratorio con presupuesto limitado.

Pertl realiza su doctorado en el Whitehead Institute, en Cambridge, Massachusetts, y orientó su consulta a MYC, una proteína cuyo funcionamiento se altera en la mayoría de los cánceres y contra la cual se intentaron durante décadas distintas estrategias terapéuticas. La prueba con Co-Scientist se convirtió así en un caso testigo sobre el alcance real de estas herramientas cuando se las enfrenta a las condiciones concretas de la investigación académica.

Una propuesta que sorprendió al equipo

En un intento previo, sin las restricciones de presupuesto y plazos, la herramienta había seleccionado una hipótesis que llamó la atención de los investigadores. Para llegar a ese punto fue necesario primero revisar el planteo original: Pertl y su colega Kalon Overholt dedicaron casi una hora a corregir dos interpretaciones equivocadas del sistema, que confundía los cúmulos de proteínas que debían ser el blanco terapéutico con el propio fármaco y les asignaba de manera sistemática una función de activación de genes, cuando en realidad algunos de esos cúmulos tienen el efecto contrario.

Superados esos ajustes, la inteligencia artificial procesó durante una noche más de setecientos estudios, generó ciento ocho estrategias y conservó una. La propuesta consistía en unir entre sí los cúmulos de proteínas que activan el gen hasta impedir la lectura del ADN, en lugar de procurar su disolución, un enfoque que el propio Overholt reconoció como inédito para el grupo.

“Nunca habíamos pensado en nada parecido”Kalon Overholt

La evaluación práctica llegó semanas después, cuando Pertl repitió la consulta con los recursos y los tiempos disponibles para su doctorado. Esa segunda prueba dejó sin alternativas viables al sistema y dejó al descubierto la distancia que existe entre formular una hipótesis interesante y poder llevarla efectivamente al laboratorio con los medios de un equipo académico.

Los obstáculos que persisten

El caso fue comentado por dos especialistas que coincidieron en señalar dónde se concentran las limitaciones actuales de la inteligencia artificial aplicada a la investigación biomédica. Anton Sinitskiy, químico computacional de la Universidad Northeastern, situó la principal dificultad en la etapa de comprobación: generar propuestas puede ser un proceso rápido, pero ponerlas a prueba sigue demandando tiempo y recursos que no se acortan con facilidad. Ross King, biólogo computacional de la Universidad de Cambridge, señaló también limitaciones en los protocolos elaborados por IA, a los que describió como recetas que todavía no reemplazan el trabajo experimental fino.

El episodio reunió así tres tareas que, según los investigadores consultados, continúan demandando intervención especializada: definir correctamente el problema, revisar las ideas que propone el sistema y evaluar si los experimentos derivados pueden concretarse dentro de los márgenes de un equipo académico. La prueba con Co-Scientist, en ese sentido, no funcionó como una demostración de inviabilidad de la inteligencia artificial en el laboratorio, sino como una descripción concreta de los eslabones donde la supervisión humana sigue siendo determinante.

El caso fue publicado por la revista MIT Technology Review y difundido a través de la cobertura internacional sobre aplicaciones de inteligencia artificial en investigación biomédica. Para los equipos que trabajan sobre MYC, la recomendación implícita de los investigadores consultados es mantener el uso de estas herramientas como apoyo para la generación y el filtrado de hipótesis, y reservar la decisión final sobre qué llevar al laboratorio a la lectura crítica de quienes conocen de primera mano los recursos y los tiempos con los que efectivamente se cuenta.