Co-Scientist, la IA de Google que ensayó hipótesis contra el cáncer y chocó contra los límites del laboratorio

El proyecto Co-Scientist, desarrollado por Google, fue puesto a prueba por el equipo del Whitehead Institute, en Cambridge, Massachusetts, con un objetivo concreto: buscar nuevas estrategias contra MYC, una proteína cuyo comportamiento se altera en la mayoría de los cánceres y que durante décadas resistió los intentos de fármacos específicos. El ejercicio dejó al descubierto tanto el potencial como los obstáculos de delegar parte del razonamiento científico en un modelo de inteligencia artificial.

Un primer intento con resultado inesperado

La bioquímica Anna Pertl, quien cursa su doctorado en esa institución, junto con su colega Kalon Overholt, trabajó con la herramienta en tres etapas. Primero revisaron el planteo durante casi una hora, porque el sistema confundía los cúmulos de proteínas que debían ser el blanco con el propio fármaco y les asignaba de forma sistemática una función de activación de genes, cuando en realidad algunos cumplen el efecto contrario. Después de esas correcciones, la IA procesó durante una noche más de 700 estudios y, sobre esa base, generó 108 estrategias y conservó una.

La hipótesis seleccionada proponía unir entre sí los cúmulos de proteínas que activan el gen hasta impedir la lectura del ADN, en lugar de buscar su disolución. Para los investigadores, se trataba de un planteo que no habían considerado hasta entonces. Overholt señaló que nunca habían pensado en nada parecido y que la propuesta les llamó la atención por su originalidad dentro de un campo donde las líneas de trabajo suelen repetirse.

“Nunca habíamos pensado en nada parecido.”Kalon Overholt, investigador del Whitehead Institute

Las restricciones reales dejaron a la IA sin respuestas

La evaluación práctica llegó semanas después, cuando Pertl repitió la consulta incorporando los recursos y los plazos disponibles para su doctorado. En esa segunda prueba, Co-Scientist no produjo ninguna hipótesis viable. El contraste entre ambos resultados puso en evidencia la distancia entre formular una idea y contar con las condiciones para llevarla al laboratorio. El caso fue recogido por la publicación MIT Technology Review y muestra cómo las variables económicas y temporales pueden condicionar la utilidad de un sistema de este tipo.

• Definir correctamente el problema: la IA interpretó de manera equivocada el blanco terapéutico y el modo de acción esperado hasta que los investigadores corrigieron el planteo.
• Revisar las ideas: de 108 estrategias generadas, el sistema conservó una, que igual requirió lectura crítica por parte del equipo.
• Evaluar si los experimentos pueden hacerse: con el presupuesto y el tiempo reales de un doctorado, la herramienta no ofreció alternativas viables.

La mirada de los especialistas

Especialistas consultados por la publicación coincidieron en señalar que el cuello de botella no está en generar hipótesis, sino en comprobarlas. Anton Sinitskiy, químico computacional de la Universidad Northeastern, sostuvo que producir propuestas puede ser rápido, pero que ponerlas a prueba sigue demandando tiempo y recursos. Ross King, biólogo computacional de la Universidad de Cambridge, añadió que los protocolos diseñados por inteligencia artificial funcionan en muchos casos como recetas, con limitaciones que se vuelven evidentes cuando se busca ejecutarlos en un laboratorio real.

Por ahora, Co-Scientist no tiene fecha de llegada al mercado ni aplicación clínica concreta. La prueba del Whitehead Institute sugiere que, en el corto plazo, herramientas como esta se ubicarán como asistentes del trabajo científico y no como sustitutos del juicio experimental, sobre todo en áreas como la oncología, donde cada paso desde la hipótesis hasta el fármaco demands meses o años de validación.