Vacuna rusa contra el cáncer: es más complejo

Durante los últimos días volvió a circular el nombre de EnteroMix, una vacuna contra el cáncer desarrollada en Rusia, que supuestamente estaría lista para su uso tras demostrar una efectividad del 100%. Sin embargo, la información es imprecisa y se basa en una interpretación errónea de un anuncio realizado en junio, ahora presentado como novedad.

Como explica la periodista Çağla Üren, el dato central es que EnteroMix completó con éxito su fase de pruebas preclínicas, es decir, los estudios realizados en laboratorio a nivel celular y en modelos animales. Fue en este contexto acotado donde se observaron resultados prometedores, incluyendo tasas de éxito de hasta el 100% en la reducción o eliminación de tumores en algunos de esos modelos. A raíz de estos resultados, el fármaco recibió la autorización para comenzar sus pruebas en humanos.

Actualmente, la vacuna se encuentra apenas en la Fase I de ensayos clínicos, la primera etapa de prueba en personas, que comenzó hace unos tres meses con un grupo reducido de 48 voluntarios. Es un proceso que durará años y que deberá superar todavía las Fases II y III antes de que se pueda determinar su seguridad y eficacia real para un posible uso generalizado.

También es importante aclarar que EnteroMix no utiliza tecnología de ARNm, como informaron algunos medios. Se trata de una vacuna oncolítica, un tipo de inmunoterapia que emplea una combinación de cuatro virus modificados para que ataquen directamente las células tumorales y activen la respuesta del sistema inmunitario del paciente contra el cáncer.

El error viene de que en el Instituto Gamaleya están explorando el uso de vacunas de ARNm personalizadas, que a partir del análisis genético del tumor de cada paciente, permiten crear vacunas únicas que pueden “enseñar” al sistema inmunitario a reconocer las células cancerosas. Pero se trata de dos proyectos de investigación diferentes y, a lo sumo, complementarios.

GPT-5, qué decepción

El lanzamiento de GPT-5 de OpenAI intensificó el debate sobre los límites fundamentales de los modelos grandes de lenguaje (LLM). En particular, cuánto es posible mejorar sus capacidades simplemente escalando el volumen de su entrenamiento.

El periodista Hugh Brosnahan hizo un interesante repaso de las advertencias que desde hace años se vienen haciendo. Por ejemplo, de parte de críticos como el científico cognitivo Gary Marcus, quien desde finales de la década de 2010 insiste en que si bien los resultados son lo suficientemente impresionantes como para alimentar el discurso sobre la inteligencia artificial general (AGI), estos sistemas no “entienden” el lenguaje en ningún sentido interesante del concepto. Su fluidez superficial es el resultado de un cálculo estadístico a gran escala, una forma de imitación que confunde la elocuencia con la comprensión y la mímica con una mente genuina.

Esta crítica no es nueva y resuena con los argumentos formulados hace décadas por el filósofo Hubert Dreyfus tanto en su informe para la RAND de 1965 como en su posterior libro What computers can’t do (1972, Lo que las computadoras no pueden hacer). Dreyfus sostuvo que la inteligencia genuina no puede ser capturada por sistemas computacionales basados en reglas. Basándose en la fenomenología de Heidegger y Merleau-Ponty, argumentó que la verdadera pericia surge del “saber hacer” corporal y de estar situado en el mundo, dimensiones inaccesibles para una máquina incorpórea. Para Dreyfus, la inteligencia humana depende de una comprensión intuitiva y prerreflexiva del contexto, una capacidad que los sistemas de manipulación de símbolos, por potentes que sean, no pueden replicar.

Brosnahan recurre también a la teoría de los hemisferios cerebrales del neurocientífico Iain McGilchrist como un marco útil para comprender esta limitación. McGilchrist postula que el cerebro tiene dos modos de atender al mundo: el hemisferio derecho lo percibe de manera holística, contextual y dinámica, captando la ambigüedad, el significado y la belleza; mientras que el hemisferio izquierdo ofrece una visión fragmentada y descontextualizada, útil para el control y la manipulación. Los LLM actuales operan de manera análoga a un hemisferio izquierdo aislado: son expertos en construir representaciones simplificadas —mapas— de la realidad, pero son ciegos al “todo” vivo y dinámico que representan. Carecen de la capacidad del hemisferio derecho para dotar de significado a esos mapas, reintegrándolos en un contexto más amplio.

La dependencia del modo izquierdo del derecho es crucial: el hemisferio derecho primero presenta el mundo como un todo coherente del que el izquierdo puede abstraer partes para su análisis. Al final del proceso, es de nuevo el derecho el que debe reinterpretar esas abstracciones para que adquieran un significado pleno. Al carecer de este anclaje corporal y contextual, la inteligencia artificial se limita a manipular mapas sin comprender el territorio. Por tanto, concluye Brosnahan, la desilusión con los avances de la IA no representa un mero obstáculo técnico, sino una llamada de atención filosófica sobre sus limitaciones inherentes.

De todos modos, conviene señalar que la teoría de McGilchrist tiene numerosos críticos y funciona mejor en términos ligeramente metafóricos, pero no necesariamente científicos. Por ejemplo, el filósofo A. C. Grayling escribió que el libro estaba “bellamente escrito, [y es] erudito, fascinante y aventurado”, pero agregó que “los hallazgos de la ciencia del cerebro aún no son lo suficientemente finos como para respaldar las grandes conclusiones psicológicas y culturales que extrae Iain McGilchrist”. Si relajamos el compromiso literal con esta teoría, aún sirve para explicar, por así decir, las limitaciones de nuestros modelos de lenguaje.

Ciencia en emergencia

La Red de Autoridades de Institutos de Ciencia y Tecnología (RAICYT) solicitó el tratamiento y la aprobación urgente en el Congreso del proyecto de ley (2.435-D.-2024), que busca declarar la emergencia del Sistema Nacional de Ciencia, Tecnología e Innovación. La iniciativa, que ya cuenta con un dictamen favorable en las comisiones de Ciencia y Tecnología y de Presupuesto de la Cámara de Diputados, es presentada como una herramienta para asegurar el cumplimiento de las normativas vigentes que regulan la inversión en investigación y desarrollo.

El proyecto de ley establece objetivos específicos para el ejercicio fiscal 2025. Entre sus puntos principales, busca garantizar que el presupuesto destinado a la función de Ciencia y Técnica no sea inferior, en términos absolutos, al ejecutado en 2024. Asimismo, el texto exige dar cumplimiento a la Ley 27.614, que contempla un incremento progresivo y sostenido de los fondos con un criterio federal, y busca proteger las partidas presupuestarias del Plan Nacional de Ciencia, Tecnología e Innovación 2030, para dar continuidad a las agendas estratégicas de desarrollo del país.

El pedido de tratamiento legislativo se produce en un contexto de preocupación por el estado del sistema científico-tecnológico. Como parte de la campaña para impulsar el debate parlamentario, la RAICYT habilitó una solicitud de firmas en apoyo al proyecto, con el fin de manifestar el respaldo ciudadano a la iniciativa. Según los impulsores de la medida, la aprobación de la ley es fundamental para garantizar la continuidad de las investigaciones y la soberanía tecnológica de Argentina.

Mapa del cielo

Un estudiante de secundaria californiano, Matteo Paz, desarrolló un algoritmo de inteligencia artificial que permitió descubrir 1,5 millones de objetos espaciales previamente desconocidos, según un informe de Caltech. Su trabajo, realizado durante pasantías de investigación en dicha institución, no solo amplió el potencial de la misión NEOWISE de la NASA, sino que también resultó en un artículo científico de autoría única en el Astronomical Journal. Por estos logros, Paz obtuvo el primer premio de $250,000 en el prestigioso concurso de ciencias Regeneron Science Talent Search.

El proyecto surgió bajo la mentoría del astrónomo Davy Kirkpatrick, quien buscaba un método para analizar el inmenso archivo de datos del telescopio infrarrojo NEOWISE, que contenía más de 200 mil millones de detecciones acumuladas durante una década. El objetivo era identificar objetos cósmicos «variables», como cuásares o estrellas en explosión, cuyos cambios de brillo no habían sido estudiados. En lugar de abordar la tarea manualmente como se había previsto, Paz armó un modelo de aprendizaje automático capaz de procesar la totalidad del conjunto de datos de manera eficiente.

A veces la fiaca es el principal motor de la innovación científica.

Otras lecturas:

Fotos: Depositphotos