Según el Pew Research Center soy de los últimos que nacieron de la generación X, esa que disfrutó una infancia offline pero que al mismo tiempo creció con la ciencia ficción de películas como Star Wars, Volver Al Futuro y la saga de Star Trek. Y que vimos como los aparatos que se utilizaban en la pantalla, de pronto empezaron a hacer parte de la vida cotidiana como los celulares. No puedo asegurar una amplia generalización, pero en esta generación habemos muchos entusiastas de lo que la tecnología puede llegar a evolucionar.
Hoy convivimos Baby Boomers, Generación X, Millenials y Zoomers en el campo laboral, y podría decirse que el entretenimiento de ciencia ficción nos dio a las primeras dos generaciones una vista fantasiosa de lo que serían las aplicaciones de inteligencia artificial, como kit el auto increíble que además de tener conducción autónoma, tenía desarrollado un modelo de lenguaje avanzado y reconocimiento de voz, así como acceso a información en tiempo real, con el que podía realizar estimaciones y cálculos impensables para la época. Tal vez para los Millennials y Zoomers, este tipo de ser ciencia ficción se vea anticuada. No lo digo por nostalgia, sino por poner un ejemplo del por qué el tema de la evolución tecnológica siempre ha sido de amplio interés para tu servidor.
Y por muchos años se vieron avances tecnológicos como los celulares, el GPS o el reconocimiento de voz, tecnologías que cambiaron muchísimo las dinámicas en todos los aspectos de la vida; pero aun así estábamos muy lejos de lo que la ciencia ficción nos invitaba a imaginar.
Y fue en plena pandemia cuando la IA sorprendió realmente al mundo científico. Para ser preciso, el 30 de noviembre de 2020 DeepMind anunció que AlphaFold 2 había logrado predecir la estructura tridimensional de las proteínas. La noticia llegó al mundo no-científico hasta mediados del siguiente año, pero la noticia se sintió como si la Inteligencia Artificial hubiera descifrado la vida; pero con una tecnología inalcanzable para una gran mayoría, y justo un par de años después Chat Gpt vería la luz del mundo y podemos decir que la humanidad cambió.
Y me explico el porqué de la “exageración” del cambio.
Las proteínas participan en prácticamente en todos los procesos biológicos. Su función depende, en buena medida, de la forma tridimensional que adoptan. Conocer esa estructura ayuda a comprender cómo actúan, cómo se relacionan con otras moléculas y qué ocurre cuando algo falla. El detalle es que determinar esa forma podía requerir meses o incluso años de trabajo experimental.
Por eso cuando una IA logró predecir estructuras con una precisión que, en muchos casos, se acercaba a la obtenida mediante técnicas de laboratorio. De pronto, una tarea extraordinariamente lenta parecía susceptible de acelerarse mediante esta tecnología.
Desde ese entonces empezamos a visualizar medicamentos diseñados en días, enfermedades resueltas antes de mostrar síntomas y tratamientos personalizados. En algunas conversaciones parecía que los laboratorios pronto serían reemplazados por centros de datos y que los investigadores podrían dedicarse a esperar tranquilamente la respuesta de un algoritmo.
Y en semanas recientes se dio a conocer un acuerdo entre Takeda e Insilico Medicine donde mencionan que utilizarán su plataforma de Inteligencia Artificial para identificar candidatos a nuevos medicamentos y llevar aquellos que resulten prometedores hacia las siguientes etapas de desarrollo, validación clínica y comercialización.
Ese no es un caso aislado. Cada vez vemos más empresas dedicadas específicamente a utilizar IA para identificar objetivos terapéuticos, diseñar moléculas, encontrar nuevos usos para medicamentos existentes y seleccionar candidatos con mayores posibilidades de avanzar.
Es una transformación importante porque desarrollar un fármaco es un proceso lento, costoso y lleno de callejones sin salida.
Miles de moléculas pueden verse prometedoras en las primeras etapas. Muy pocas llegan a convertirse en un tratamiento aprobado. Ahora laIA permite explorar más combinaciones, descartar antes algunos caminos y orientar mejor los experimentos.
Sin embargo, entre imaginar una molécula y administrarla a una persona existe una distancia enorme. Pero un estudio publicado este año por Anna Tan, Ezra Woon y James Wang analiza el uso de IA para integrar información multi-ómica; particularmente en la investigación del Alzheimer.
El concepto multi-ómico puede sonar complicado, pero es más sencillo de lo que se escucha. Nuestro cuerpo genera información en distintas capas. Está la genómica, relacionada con los genes. La transcriptómica permite observar cómo se expresa esa información genética. La proteómica estudia las proteínas. La metabolómica analiza las moléculas que participan en el metabolismo. A eso pueden sumarse imágenes médicas, biomarcadores, antecedentes clínicos, hábitos y evolución del paciente. Cada capa muestra una parte… La Inteligencia Artificial permite cruzarlas. De ahí el término.
Durante siglos, la medicina avanzó especializándose. Esa especialización produjo conocimiento profundo, pero también fragmentado. Un investigador estudiaba genes. Otro analizaba proteínas. Otro observaba imágenes cerebrales. Otro seguía el deterioro cognitivo.
El organismo, mientras tanto, seguía funcionando como un sistema.
La aportación de la IA consiste en comenzar a reconstruir esas relaciones. Puede identificar patrones no lineales, encontrar combinaciones difíciles de detectar y asociar determinados perfiles moleculares con riesgos, velocidad de progresión o posibles respuestas terapéuticas.
La Inteligencia Artificial no está simplificando la biología. Está dejando visible cuánto la habíamos fragmentado para poder estudiarla.
Pero hacer visible una relación no equivale a comprenderla. Los autores del estudio advierten que estos modelos todavía enfrentan límites importantes: datos poco representativos, predicciones difíciles de explicar y hallazgos que aún deben demostrar utilidad clínica. En medicina no basta con decir: “la IA lo identificó”. Alguien tiene que validar, interpretar y decidir.
Y quizá ahí está la oportunidad para las pymes. Una empresa también genera información en distintas capas: ventas, inventarios, costos, calidad, mantenimiento, entregas y clientes. El problema es que normalmente cada área observa únicamente su parte y el dueño termina intentando reconstruir el negocio entre reportes, conversaciones y archivos que no coinciden.
La IA puede ayudar a conectar esa información y encontrar relaciones que antes quedaban escondidas. No hace falta diseñar medicamentos ni construir un sofisticado centro de datos. Puede empezar identificando qué productos consumen capacidad sin dejar margen, qué clientes concentran los retrasos o qué fallas se repiten antes de una entrega incumplida.
Pero observar más no garantiza decidir mejor. La oportunidad no consiste en preguntarle todo a la IA. Consiste en elegir una decisión importante, reunir la información que hoy está fragmentada y utilizar la tecnología para verla completa.
Porque quizá tu empresa ya tiene los datos que necesita. Lo que todavía no tiene es una forma de conectarlos.
