No, ChatGPT no hizo una vacuna contra el cáncer

Mientras los simples mortales usamos ChatGPT para escribir un correo o resumir lo que nos da fiaca leer, un emprendedor tecnológico australiano lo usó para curar el cáncer de su perro.

La historia circuló rápidamente impulsada por los férreos creyentes del potencial disruptivo de la inteligencia artificial para el avance de la ciencia. Greg Brockman —cofundador de OpenAI y, junto a Sam Altman, uno de los dos únicos fundadores que permanecen aún en la organización— primero compartió la noticia y luego la enmarcó dentro de la narrativa favorita de Silicon Valley, una que gira en torno al inminente advenimiento de la “inteligencia artificial general”, retuiteando un resumen que concluía “un hombre con un chatbot y 3.000 dólares acaban de superar toda la cadena de descubrimiento farmacéutico”. Fascinante. Y falso.

Originalmente publicada por The Australian, esta historia tiene todo lo que quieren los clics: Paul Conyngham adoptó a su perrita Rosie en 2019 justo antes de la pandemia y cuando en 2024 fue diagnosticada con un mortal mastocitoma hizo todo lo que estaba a su alcance para curarla. Pero a pesar de invertir miles de dólares en quimioterapia y cirugías, apenas logró ralentizar el avance de la enfermedad.

Desesperado, Conyngham abrió una conversación con ChatGPT para pedirle recomendaciones. Siguiendo su consejo, se puso en contacto con investigadores del Ramaciotti Centre for Genomics de la University of New South Wales, apiló 3.000 dólares, y logró que compararan el ADN sano de Rosie con el de su tumor. Aprovechando sus 17 años de experiencia en machine learning y análisis de datos, procesó la secuencia para identificar las mutaciones y luego usó AlphaFold (desarrollada por DeepMind de Google) para predecir la estructura de las proteínas mutadas, capaces de ser atacadas con fármacos.

Pero el primer intento falló: el laboratorio estadounidense que producía el fármaco experimental (para un cáncer humano) le negó su uso. Fue Martin Smith, director del Ramaciotti Centre, quien le sugirió probar con una vacuna de ARN mensajero, aquella tecnología que pasó al estrellato durante la era COVID-19. Luego de contactar a Pall Thordarson, del centro de ARN de la Universidad, se usaron los datos para diseñar una vacuna a medida para Rosie.

Un hombre comprometido

La tenacidad de Conyngham es imposible de exagerar, y el rompecabezas logístico que logró armar representa un gran hito de ciencia ciudadana. Pero conviene no confundir esta odisea personal con las apresuradas conclusiones que empujan nuestros tóxicos tecnófilos de cabecera. El cáncer no supone un código lleno de bugs que espera ser depurado, e incluso puede ni siquiera ser correcto hablar de “curar el cáncer”.

Desarmar entonces el relato de la cura milagrosa apenas requiere un par de párrafos. Los tres mil dólares no financiaron un tratamiento sino una secuenciación genética estándar en las instalaciones de una universidad. ChatGPT y Gemini apenas funcionaron como motores de búsqueda con esteroides para estructurar un plan de acción y encontrar expertos de carne y hueso relevantes. Y en cuanto a AlphaFold, la herramienta que predice la estructura de las proteínas , la bióloga Kate Michie, de la misma universidad, alertó: “Creo que la gente le confía demasiado en este momento. Todavía estamos resolviendo las cosas que no hace”. La proteína modelada para el caso de Rosie alcanzó una métrica de confianza de apenas 54,55 sobre 100, un valor poco fiable para el diseño de fármacos, que requiere de “mucho trabajo de laboratorio y experimentación” para ser validada.

Por otro lado, aunque Conyngham dice haber realizado la vacuna con apoyo de Grok, la síntesis de las nanopartículas lipídicas de ARNm fue un trabajo donado por la universidad.  Fabricar una vacuna personalizada similar para un humano puede alcanzar un costo de 100.000 dólares por paciente.

Lo que se suele minimizar es la dificultad de acceder a investigadores como Smith y Thordarson, capaces de aprovechar la infraestructura multimillonaria de la universidad en la que trabajan. Un puñado de chatbots pueden haber señalado un camino posible, pero alguien tuvo que manipular pipetas en un laboratorio.

Si bien es cierto que algunos tumores de Rosie se redujeron a la mitad, una respuesta parcial esperanzadora, no todos reaccionaron al tratamiento, y la vacuna requirió la coadministración de un inhibidor de puntos de control, fármacos que “liberan los frenos” del sistema inmune y permiten que las defensas ataquen con más eficacia. Detalles clínicos fundamentales como este son los que convenientemente suelen omitirse cuando se escriben noticias sobre ciencia.

La IA y la cura

La “cura del cáncer” es una de las promesas más gastadas en torno a la inteligencia artificial, con resultados hasta ahora decepcionantes. IBM gastó miles de millones de dólares en su sistema Watson for Oncology antes de desguazarlo, mientras sus propios ingenieros advertían que la plataforma escupía recomendaciones irrelevantes o inseguras. Google, por su parte, depositó en su empresa Calico la expectativa de “resolver el envejecimiento”, pero luego de doce años trabajando en un tratamiento contra la esclerosis lateral amiotrófica fracasó estrepitosamente.

En un reciente análisis exhaustivo de la relación entre inteligencia artificial y la investigación oncológica, la médica e investigadora Emilia Javorsky señala que la industria tecnológica está demasiado encariñada con el mito de Eureka!: fantasean con aquel ansiado momento en que una epifanía resuelve un problema científico de una buena vez por todas, pero ignoran deliberadamente que, en el desarrollo terapéutico, descubrir una molécula prometedora es apenas el primer milimétrico paso.

La verdadera aventura en la investigación biomédica empieza al intentar navegar la toxicidad imprevista en modelos vivos, la viabilidad de la producción a escala y los interminables laberintos regulatorios. En la vida real la invención es apenas el prólogo aburrido de una historia mucho más compleja.

Para obtener buenos resultados, la IA suele necesitar reglas claras y datos confiables. Aunque modelos como AlphaFold —que no es un LLM— lograron avances en el problema del plegamiento de proteínas, solo pudieron hacerlo gracias al Protein Data Bank —una base de datos global construida y mantenida durante décadas por el trabajo acumulado de miles de investigadores— y operan en dominios de reglas relativamente cerradas.

La medicina clínica, explica Javorsky, es un “desierto de datos”: las historias clínicas electrónicas no reflejan la cruda y compleja realidad fisiológica de un paciente, sino que fueron diseñadas para mejorar la facturación de obras sociales y centros de salud y están optimizadas para codificar enfermedades y maximizar reembolsos, no para trazar un mapa fiel de la biología humana. Si a esto le sumamos que entrenar modelos de IA con la literatura médica actual implica absorber la crisis de replicabilidad y los sesgos de publicación, el resultado es inevitable: basura entra, basura sale.

Una incompatibilidad biológica

Parece haber cierta incompatibilidad entre la forma en que se abordan los problemas de software y el modo en que funciona la vida. La biología es el producto imperfecto de miles de millones de años a través de procesos evolutivos basados en parches, mecanismos de redundancia y equilibrios dinámicos increíblemente frágiles. El cáncer no es un error de tipeo en el código de la vida que se soluciona con una actualización.

Como explica Siddhartha Mukherjee en El emperador de todos los males (2010), lo que llamamos cáncer es en realidad miles de enfermedades distintas, heterogéneas, que coevolucionan y se adaptan a su entorno micromolecular como si fueran un adversario inteligente, mientras que el cuerpo humano es lo que el físico Stephen Wolfram define como un sistema computacionalmente irreductible: no existen atajos matemáticos para simular el comportamiento de trillones de células interactuando en tiempo real. Por eso, la arrogancia de ejecutivos como Dario Amodei (Anthropic), prometiendo comprimir el progreso científico de un siglo en una década resulta científicamente ingenua.

El obstáculo principal para erradicar enfermedades mortales hoy no es la falta de inteligencia. Los verdaderos desafíos que estrangulan avances médicos son sistémicos, burocráticos y profundamente económicos. El libre mercado, fiel a su diseño estructural, castiga severamente la innovación médica que no garantiza un flujo de caja recurrente.

Hace poco más de diez años la tanespimicina, un fármaco que mostraba resultados clínicos sumamente alentadores en fases avanzadas contra el mieloma múltiple y el cáncer de mama, fue abandonada en las últimas etapas de investigación porque su producción a escala era compleja pero principalmente porque la exclusividad de su patente estaba a punto de vencer, lo que atentaba contra el retorno de inversión.

Y luego está la burocracia 

El propio Conyngham admite que sortear la burocracia para conseguir la aprobación ética de su experimento casero fue mucho más arduo que el proceso de fabricar la vacuna misma. Es en este punto donde conviene contener la euforia: el marco regulatorio veterinario opera bajo normativas abismalmente más laxas que el de la salud humana. Intentar replicar esta medicina hiperpersonalizada de “paciente único” (N=1) en humanos está condenado al fracaso.

Las instituciones de control de fármacos (FDA, ANMAT, etc.) fueron diseñadas para aprobar medicamentos genéricos basándose en promedios estadísticos poblacionales enormes y no para aprobar terapias hechas a medida en tiempo récord. Exigir, sin embargo, que el Estado autorice inyecciones genéticas experimentales hechas con ayuda de un chatbot que no sabe contar cuántas “R” hay en “strawberry” (o sugiere llevar caminando el auto para lavarlo) podría llevarse puestas décadas de debates bioéticos indispensables sobre la seguridad, el daño colateral y el consentimiento informado.

Desmontar las exageraciones tecnosolucionistas no significa descartar la utilidad de la IA. En manos de personas versadas en ciencia y análisis de datos como Conyngham puede servir de copiloto para bucear entre literatura médica indescifrable. Pero como advierte Gary Marcus, vencer al cáncer requerirá herramientas que puedan razonar genuinamente sobre química y física, no solo predecir texto.

Para mejorar nuestras chances ante el cáncer necesitamos reformas estructurales en los modelos de patentes, innovación regulatoria y mayor financiamiento para que los humanos que se queman las pestañas frente al microscopio puedan sostener su investigación. Preguntale a ChatGPT a ver qué te dice.