🔬 Los asistentes científicos de IA ya pueden revisar cientos de artículos, coordinar varios agentes y proponer hipótesis que investigadores humanos evalúan después. En el Whitehead Institute, Co-Scientist examinó más de 700 trabajos y planteó 108 formas de atacar MYC; descartó 107 y sugirió unir condensados moleculares para impedir que se leyera el gen.
La bioquímica Anna Pertl buscaba una vía práctica y poco obvia contra MYC, una proteína descontrolada en la mayoría de los cánceres. Antes de empezar, ella y el bioingeniero Kalon Overholt pasaron casi una hora corrigiendo al sistema: había confundido el objetivo y suponía que todos los condensados activaban genes. Después, la herramienta propuso unir proteínas activadoras y represoras mediante click chemistry hasta formar una masa que bloqueara la lectura de MYC. El laboratorio no había considerado esa estrategia.
Otro equipo puso a prueba a Co-Scientist con resultados que mantuvo ocultos. José Penadés y Tiago Costa, del Imperial College London, le pidieron explicar cómo ciertas bacterias intercambian fragmentos de ADN entre especies. A partir de literatura y datos públicos, la IA llegó en unos dos días a una teoría muy cercana a la que ellos habían elaborado durante años.
Los tropiezos siguen presentes. Kosmos ignoró una columna clave dentro de un conjunto de 30 millones de filas hasta que Philine Guckelberger corrigió el error. Después halló un patrón inesperado en células cancerosas que ella confirmó con conjuntos de datos independientes. Los investigadores citados coinciden en que las buenas preguntas y el juicio experto conservan un papel central.
✅ Estas experiencias sugieren que los asistentes de IA pueden acelerar la revisión de trabajos y explorar más rutas en paralelo. El límite es decisivo: cometen errores, dependen de preguntas bien planteadas y sus propuestas requieren pruebas humanas. Además, delegar tareas formativas podría dificultar que los estudiantes adquieran el saber necesario para supervisarlos.
⚕️ No es consejo médico.
