Cómo la inteligencia artificial está cambiando la investigación científica

Contexto: el año en que el papel de la IA en la ciencia obtuvo un Nobel

Durante años, las afirmaciones sobre la transformación de la ciencia por la IA iban por delante de la evidencia. Eso cambió decisivamente en octubre de 2024, cuando el Premio Nobel de Química se otorgó, en parte, por AlphaFold, un sistema de IA que resolvió un problema biológico fundamental con el que los investigadores habían lidiado durante medio siglo. El reconocimiento del comité Nobel marcó un cambio de la "IA en la ciencia" como promesa a la "IA en la ciencia" como un hecho demostrado y galardonado, y vale la pena entender tanto lo que ese avance logró realmente como dónde el bombo publicitario general sigue superando a la realidad.

Los datos: lo que AlphaFold cambió, en números

El problema que resolvió AlphaFold se denomina plegamiento de proteínas. Las proteínas son cadenas de aminoácidos que se pliegan en formas tridimensionales intrincadas, y esa forma determina qué hace la proteína, lo que significa que comprender la estructura es la puerta de entrada para comprender la biología y diseñar fármacos. Determinar experimentalmente la estructura de una sola proteína, utilizando técnicas como la cristalografía de rayos X, podría tardar meses o años. AlphaFold, desarrollado por Google DeepMind, predice la estructura a partir de la secuencia de aminoácidos en cuestión de horas, con una precisión que rivaliza con los métodos experimentales para una gran parte de las proteínas.

La escala de lo que siguió es el titular. La AlphaFold Protein Structure Database, gestionada conjuntamente con el Instituto Europeo de Bioinformática, contiene ahora más de 200 millones de estructuras predichas, lo que cubre casi todas las proteínas de las principales bases de datos de secuencias. Antes de AlphaFold, la ciencia había determinado experimentalmente las estructuras de solo una pequeña fracción de las proteínas conocidas. En octubre de 2024, Demis Hassabis y John Jumper, de DeepMind, compartieron el Premio Nobel de Química por este logro, junto con David Baker, reconocido por el campo relacionado del diseño computacional de proteínas.

Lo que está cambiando: de la predicción al descubrimiento, de forma desigual

AlphaFold es la punta de lanza, pero la IA ya está integrada en todo el proceso de investigación. En el descubrimiento de fármacos, los modelos examinan enormes bibliotecas químicas, predicen cómo se unirán las moléculas candidatas a los objetivos de las enfermedades y diseñan nuevos compuestos mucho más rápido que el tradicional método de ensayo y error. Varios fármacos candidatos diseñados u optimizados por IA han entrado en ensayos clínicos. En la ciencia climática, los modelos meteorológicos y climáticos de aprendizaje automático rivalizan ahora con las simulaciones tradicionales basadas en la física para ciertas tareas de previsión con una fracción del coste computacional. En la ciencia de materiales, la IA ha propuesto una gran cantidad de materiales candidatos estables para pruebas experimentales.

Pero la aceleración es desigual y las advertencias importan. Ningún fármaco descubierto totalmente por IA ha completado aún todo el proceso de aprobación; la etapa más difícil y costosa, que consiste en demostrar la seguridad y eficacia en humanos, sigue siendo obstinadamente resistente a los atajos. Y la comunidad de investigación se ha vuelto cada vez más vocal sobre los riesgos que conllevan los avances.

"AlphaFold es una auténtica revolución científica. Pero mucho de lo que se comercializa como 'la IA está haciendo ciencia' es en realidad que la IA está realizando una tarea de predicción estrecha y bien definida de forma extremadamente eficiente, lo cual es enormemente valioso, pero no es lo mismo que la IA comprenda o explique la ciencia". — una distinción ampliamente repetida en la literatura científica, incluyendo comentarios en Nature sobre dónde la IA hace avanzar realmente la investigación.

Qué significa para usted (y para la fiabilidad de la ciencia)

Para cualquiera que dependa del progreso científico —que es todo el mundo—, la ventaja práctica es un movimiento más rápido en problemas difíciles: candidatos a fármacos identificados antes, mecanismos de enfermedades mapeados más rápido, materiales para energía limpia propuestos a gran escala. Pero hay riesgos que conviene entender. La reproducibilidad es una preocupación creciente: los resultados de la IA pueden ser difíciles de replicar para otros investigadores cuando los datos de entrenamiento o los detalles del modelo no se comparten por completo. El "AI slop" (desperdicio de IA) —contenido generado por IA de baja calidad o fabricado, incluyendo texto e imágenes, que aparece en artículos publicados— está contaminando partes de la literatura de investigación. Y la brecha de explicación es una tensión real: muchos modelos de IA predicen con precisión sin revelar el porqué, lo que puede aumentar la capacidad sin aumentar la comprensión, que es el propósito real de la ciencia. Esto se está abordando mediante nuevos estándares de reproducibilidad y requisitos de divulgación, pero de forma desigual. Para la parte de los ensayos en humanos de la historia, nuestro explicativo sobre cómo funcionan los ensayos clínicos cubre la etapa que la IA aún no ha podido saltarse.

También conviene ser realistas sobre lo que la IA no cambia. El método central de la ciencia —formular una hipótesis, contrastarla con la realidad y requerir que otros puedan reproducir el resultado— no es algo que la IA reemplace. La IA puede proponer estructuras, moléculas o materiales candidatos a una escala que ningún equipo humano podría igualar, pero cada uno tiene que ser validado experimentalmente en el mundo físico, y esa validación sigue siendo lenta, costosa y esencial. El riesgo es que la velocidad y el volumen de las predicciones generadas por IA superen la capacidad de verificarlas, inundando la literatura con resultados de apariencia plausible que no han sido confirmados experimentalmente. Los investigadores más cautelosos tratan a la IA como un poderoso generador de hipótesis que amplía lo que merece la pena probar, no como una fuente de respuestas definitivas; una distinción que es enormemente importante para que la aceleración sea fiable en lugar de simplemente rápida.

Qué observar a continuación

Observe si un fármaco descubierto por IA completa todo el proceso de aprobación clínica, un hito que llevaría la historia del descubrimiento de fármacos de "candidatos más rápidos" a resultados validados de extremo a extremo, y hacia el cual varias empresas están compitiendo. Observe cómo responde la comunidad de investigación a las preocupaciones sobre la reproducibilidad y el "AI slop", ya que la credibilidad de la ciencia depende de resultados que otros puedan verificar. Y observe la próxima generación de avances al estilo AlphaFold en campos adyacentes: diseño de proteínas, descubrimiento de materiales y matemáticas, donde los sistemas de IA han comenzado a contribuir a problemas de investigación reales. Para una frontera relacionada donde la IA y la física se cruzan, consulte nuestra cobertura sobre el progreso en la fusión nuclear, otro campo donde el modelado computacional está acelerando el trabajo experimental.