Manténgase informado con actualizaciones gratuitas
Simplemente regístrese en el Inteligencia artificial myFT Digest: entregado directamente a su bandeja de entrada.
Las máquinas ya han superado a los humanos jugando al ajedrez, identificando el canto de los pájaros y prediciendo estructuras proteicas complejas. Pero cuando se trata de cosas realmente inteligentes e intuitivas, como la investigación científica original, a los humanos nos gusta pensar que todavía tenemos la ventaja.
Quizás tengamos que pensar de nuevo. En la conferencia sobre inteligencia artificial RAAIS celebrada en Londres a principios de este mes, Daniel Cohen, El presidente de la empresa canadiense de descubrimiento de fármacos Valence Labs habló de la tentadora, aunque ligeramente desconcertante, posibilidad de un “descubrimiento científico autónomo”. Entrenados con datos especializados, los modelos sofisticados de IA pronto podrían generar hipótesis, diseñar y ejecutar experimentos, aprender de los resultados y enjuagar y repetir 24 horas al día, 7 días a la semana. “Nuestra misión es industrializar el descubrimiento científico”, dijo.
No es necesario hablar mucho tiempo con personas del ámbito de la biología computacional para comprender su entusiasmo por la IA. La empresa de investigación de IA Google DeepMind incluso ha creado una empresa independiente, Isomorphic Labs, para explotar este dominio después de que su programa AlphaFold modelara 200 millones de estructuras de proteínas.
La promesa es que la biología computacional puede ayudar a avanzar en la investigación científica, acelerar el descubrimiento de fármacos y mejorar los resultados de los pacientes. Las máquinas tienen una serie de ventajas sobre sus homólogos de carne y hueso, investigadores y asistentes de laboratorio. Por un lado, no necesitan dormir, ni lidiar con resfriados, resacas o relaciones complicadas.
“Me siento muy alentada por el ritmo al que avanza este campo”, me dice Christina Curtis, profesora de genética y ciencia de datos biomédicos en la Facultad de Medicina de la Universidad de Stanford. “Esto está cambiando la forma en que entendemos las enfermedades, cómo detectamos las enfermedades malignas y cómo las tratamos e interceptamos”.
Curtis fue el autor principal de un artículo, publicado en Science el mes pasadoque explora la heredabilidad de la malignidad en varios subconjuntos del cáncer. Mediante técnicas de aprendizaje automático, los investigadores analizaron miles de genomas de individuos con tumores de mama preinvasivos e invasivos para explorar las diferencias en su respuesta inmunológica a la enfermedad. Descubrieron que la forma en que evolucionaron las células tumorales en los individuos estaba “esculpida” por el genoma de la línea germinal que heredaron en la concepción.
Esta investigación podría conducir a una detección más temprana y tratamientos más personalizados, mejorando las posibilidades de supervivencia. “Más del 50 por ciento de los diagnósticos de cáncer se encuentran en la etapa 4 o más. Estamos obteniendo información demasiado tarde para ayudar en la toma de decisiones”, afirma Curtis. “Lo ideal sería que pudiéramos hacer esto de forma más preventiva”.
Existen dos grandes limitaciones. La primera es que “la genética proporciona pistas, no respuestas”, según un ejecutivo de la industria. Las máquinas han señalado muchos objetivos para el desarrollo de fármacos, pero se han lanzado al mercado pocos productos exitosos. Incluso si la tecnología conduce a avances científicos, se necesitan muchos años para obtener la aprobación regulatoria para nuevos fármacos.
Thore Graepel, el líder global de ciencia computacional en Altos Labs, anteriormente ayudó a desarrollar el programa AlphaGo en Google DeepMind. La victoria de AlphaGo sobre el jugador más fuerte del mundo en el antiguo juego de Go fue vista como un avance alucinante en inteligencia artificial. Pero Graepel dijo en la conferencia RAAIS que las complejidades biológicas a las que ahora se enfrenta en el rejuvenecimiento celular eran “órdenes de magnitud” mayores. “Nunca he visto tanta complejidad con tan pocos datos”, dijo.
La segunda limitación es la escasez de datos. Curtis sostiene que los datos de los pacientes son como “oro líquido” para los investigadores, pero todavía no contamos con los mecanismos para capturarlos de manera rutinaria. Lo más útil sería combinar la información genética de un paciente con datos de salud longitudinales recopilados a lo largo de sus tratamientos y vidas.
Reorientar los sistemas de salud hacia la vigilancia y la prevención tempranas y alejarlos del diagnóstico y tratamiento tardíos requerirá una transformación monumental de organizaciones engorrosas. Pero el Partido Laborista británico, que parece dispuesto a ganar las elecciones generales de la próxima semana, promete acelerar esta transformación en el Servicio Nacional de Salud. manifiesto laborista se compromete a crear un fondo “Fit For the Future” para duplicar el número de escáneres de tomografía computarizada y resonancia magnética para detectar cánceres en etapa temprana.
Los votantes se muestran, con razón, escépticos ante las grandes promesas de los políticos. Pero las tensiones sobre las finanzas públicas en las sociedades que envejecen pronto podrían dejar a los gobiernos sin otra opción que seguir este camino. Como supuestamente nos dijo el filósofo holandés Desiderius Erasmo hace cinco siglos: “Más vale prevenir que curar”. Con ese fin, la IA puede estar entre nuestros mayores activos.