La inteligencia artificial que propone terapias contra el cáncer chocó contra los límites de un laboratorio real
Una prueba con Co-Scientist, el sistema de Google para generar hipótesis científicas, mostró las posibilidades y las dificultades de usar IA en la investigación oncológica. La herramienta procesó más de 700 estudios y seleccionó una estrategia que sorprendió a los investigadores, pero necesitó correcciones iniciales y, al repetir el pedido con restricciones de tiempo y dinero, no encontró una alternativa viable.
Soy Julia Martinelli y esta historia empieza con Anna, una bioquímica que está haciendo su doctorado en el Whitehead Institute, en Cambridge, Massachusetts. Anna Pertl trabaja con MYC, una proteína cuyo comportamiento se descompensa en casi todos los cánceres y a la que la ciencia le viene peleando décadas sin demasiado éxito. Hace poco decidió probar Co-Scientist, la herramienta de Google pensada para generar hipótesis científicas, y le pidió que le tirara ideas nuevas para atacar a MYC. Lo que pasó después me pareció una de esas pruebas que muestran, en serio, qué puede hacer una IA en un laboratorio y qué todavía no puede.
Antes de soltar a la herramienta a trabajar, Anna y su colega Kalon Overholt tuvieron que hacer de maestros. Estuvieron casi una hora corrigiendo dos errores de interpretación: el sistema confundía los cúmulos de proteínas que tenían que ser el blanco con el propio fármaco, y además les asignaba siempre una función de activación de genes, cuando algunos hacen exactamente lo contrario, apagar genes. Para entenderlo con algo de la cocina: era como si la IA confundiera el ingrediente que queremos desactivar con la cuchara que usamos para revolver, y encima creyera que el fuego de la hornalla siempre prende cuando en realidad a veces lo apaga.
La noche en que la máquina trabajó
Una vez ajustado el pedido, Co-Scientist procesó durante toda una noche más de 700 estudios, armó 108 estrategias posibles y se quedó con una sola. La propuesta, me acuerdo perfecto cuando la leí, proponía algo que el equipo nunca había imaginado. En vez de buscar la forma de deshacer los cúmulos de proteínas que activan el gen MYC, la idea era pegar esos cúmulos entre sí hasta trabar la lectura del ADN. Overholt lo dijo textual: nunca habían pensado en nada parecido.
La euforia, sin embargo, duró lo que tarda una realidad de laboratorio en aparecer. Semanas después, Anna volvió a hacerle la misma consulta a la herramienta, pero esta vez le agregó una condición muy concreta: el presupuesto y los plazos propios de un doctorado, o sea, los recursos reales con los que ella cuenta día a día. La IA no pudo ofrecer ninguna hipótesis viable. La diferencia entre las dos pruebas marca, con bastante claridad, la distancia que todavía hay entre imaginar una idea brillante y poder concretarla en una mesada.
- Anton Sinitskiy, químico computacional de la Universidad Northeastern, dijo que el cuello de botella ya no está tanto en generar hipótesis sino en poder comprobarlas: las máquinas pueden proponer rápido, pero los experimentos siguen levando su tiempo.
- Ross King, biólogo computacional de la Universidad de Cambridge, describió a los protocolos generados por IA como recetas, útiles como punto de partida pero todavía lejos de un protocolo listo para usar.
- El caso deja tres tareas que siguen dependiendo de personas especializadas: definir bien el problema, revisar las ideas que propone la máquina y evaluar si los experimentos se pueden hacer con lo que hay.
- El próximo paso, según cuentan los investigadores, es ver cómo se integran este tipo de herramientas al trabajo cotidiano del laboratorio sin reemplazar el ojo crítico de quienes están del otro lado de la pantalla.
