Cuando la IA imagina, el laboratorio paga: el ensayo que se quedó sin aire

Lo que empieza como un juego intelectual termina en la mesada del laboratorio, con pipetas, plazos y un presupuesto que no estira. Eso es lo que cuenta Anna Pertl, bioquímica del Whitehead Institute en Cambridge, Massachusetts, cuando describe su experiencia con Co-Scientist, la herramienta de Google para generar hipótesis científicas. La máquina pensó una idea original contra un cáncer especialmente difícil. Pero cuando le agregaron las condiciones de un doctorado real, se quedó sin nada que sirviera.

Pertl investiga MYC, una proteína cuyo mal funcionamiento aparece en la mayoría de los tumores y contra la que se viene golpeando hace décadas sin mucho éxito. Le pidió a la IA una estrategia nueva. El primer intento salió mal: el sistema confundía los cúmulos de proteínas que había que atacar con el propio fármaco, y además les asignaba siempre una función de activación de genes, cuando algunos hacen lo contrario. Ella y su colega Kalon Overholt dedicaron casi una hora a corregirle el planteo.

Una noche, 700 papers y una idea que nadie había tenido

Con la consulta ya bien encaminada, Co-Scientist trabajó durante una noche entera. Leyó más de 700 estudios, produjo 108 estrategias y se quedó con una sola: unir entre sí los cúmulos de proteínas que activan el gen hasta impedir la lectura del ADN, en vez de buscar su disolución. Para Overholt, la propuesta fue una sorpresa genuina: "Nunca habíamos pensado en nada parecido", dijo.

Es lo que tiene la inteligencia artificial cuando se la usa en serio: propone cosas que un humano, cargado de años de leer lo mismo, no se le habían ocurrido. Es como pedirle a alguien de la casa que cocine con lo que hay en la heladera: a veces sale un plato raro y brillante.

Cuando aparece la billetera, la idea se cae

Semanas más tarde, Pertl volvió a probar la herramienta, pero esta vez con los plazos y el dinero con los que cuenta un becario. El resultado fue otro: ninguna hipótesis viable. La idea audaz que había surgido en la primera ronda no entraba en los márgenes de un doctorado. La diferencia entre "se me ocurre" y "lo puedo hacer" apareció en números concretos.

Ahí está la trampa. Como dice Anton Sinitskiy, químico computacional de la Universidad Northeastern, generar propuestas puede ser rápido; lo que sigue, comprobarlas, sigue siendo lento. Ross King, biólogo computacional de la Universidad de Cambridge, lo resume mejor: los protocolos que arma la IA son "recetas". Y una receta sin ingredientes, no cocina.

• El problema hay que definilo bien: la IA arrancó entendiendo mal qué tenía que atacar y qué función hacía cada proteína.
• La hipótesis la tuvo que pulir un humano: Overholt y Pertl corrigieron casi una hora antes de que la máquina diera con algo sólido.
• La plata manda: con restricciones reales de presupuesto y tiempo, el sistema no encontró una sola propuesta viable.

¿Y eso para qué sirve?

Sirve para entender que la IA es un becario muy rápido, pero no muy sabio. Acelera la primera parte del trabajo, la de imaginar, y deja en evidencia lo que falta: criterio humano para encuadrar el problema, muñeca para ajustar la idea y dinero para llevarla al banco de laboratorio. La tecnología sorprende, pero todavía no firma un paper sola. Y, sobre todo, no paga los reactivos.