La IA de Google se lució con el cáncer, hasta que alguien le puso plata y plazos

¿Una IA puede hacer la parte creativa de la ciencia? La respuesta corta: puede, pero no hasta el final. Leé bien: hace poco, Co-Scientist, la herramienta de Google pensada para generar hipótesis científicas, le tiró una propuesta tan original al equipo del Whitehead Institute que uno de los investigadores dijo que nunca se les había ocurrido algo así. Y un rato después, con las mismas herramientas, no pudo repeti la hazaña. ¿Qué pasó en el medio? Un presupuesto y un cronograma.

Para ubicarnos: el MTC (sigla en inglés para el oncogén que está detrás de gran parte de los cánceres) es la proteína con la que se chocan los laboratorios desde hace décadas. Anteriormente se intentó de todo contra ella y nadie la derribó. La investigadora principal de esta historia, Anna Pertl, está haciendo su doctorado en el Whitehead Institute, en Cambridge, Massachusetts, y decidió probar con la inteligencia artificial para ver si salía algo nuevo.

¿Qué tuvo que arreglar antes de pedirle ideas a la máquina?

La primera consulta no salió limpia. Co-Scientist mezclaba dos cosas que para un bioquímico son distintas: confundía los cúmulos de proteínas que tenían que ser el blanco del tratamiento con el propio fármaco. Algo así como pedirle a un plomero que arregle la canilla y que termine cambiando la bomba de agua de todo el edificio. Además, el sistema les asignaba siempre una función de activación de genes, cuando algunos de esos cúmulos hacen exactamente lo contrario.

La corrección les llevó casi una hora a Pertl y al colega Kalon Overholt. Recién después la IA se puso a trabajar en serio: durante una noche procesó más de 700 estudios, generó 108 estrategias y se quedó con una sola. ¿Y cuál era la original? En vez de buscar cómo disolver los cúmulos de proteínas que activan el gen, la propuesta era unirlos entre sí hasta tapar la lectura del ADN, como si en vez de separar los participantes de una conversación los amontonaras hasta que nadie pueda escuchar nada.

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

¿Por qué una segunda prueba la dejó afuera de combate?

Semanas más tarde, cuando Pertl volvió a hacer la misma consulta pero esta vez agregando los tiempos y la plata con los que cuenta un doctorando, el resultado fue otro. Cero hipótesis viables. La idea que había deslumbrado al equipo en la primera ronda ya no servía, y la máquina no encontró un plan B que se ajustara a los recursos de una tesis.

Según el químico computacional Anton Sinitskiy, de la Universidad Northeastern, la trampa está en el paso siguiente: generar ideas puede llevar minutos, pero comprobarlas en el laboratorio sigue demandando meses. Y Ross King, biólogo computacional de la Universidad de Cambridge, coincidió: los protocolos que arma la inteligencia artificial, dijo, son más bien “recetas”, no instrucciones listas para usar.

Lo que dejó esta prueba es una postal bastante clara de lo que la IA puede y no puede hacer hoy en un laboratorio. Tres tareas siguen dependiendo de alguien con experiencia en el tema: armar bien la pregunta, revisar las ideas que escupe la máquina y decidir si vale la pena llevarlas al banco de pruebas. Lo demás, por ahora, veremos.