Los algoritmos irán donde ningún científico ha ido

A medida que los algoritmos y la inteligencia artificial se infiltran en la ciencia, no espere que los robots reemplacen a los investigadores, pero la inteligencia artificial podría guiar a los científicos y a los agentes de financiamiento hacia el territorio inexplorado más prometedor.

Hay mucho margen de mejora en la forma en que los humanos escogen las preguntas científicas, dijo el profesor de sociología James Evans, quien sugirió el uso de algoritmos como guía en una sección especial de la revista Science Magazine titulada “Toward a More Scientific Science” [“Hacia una ciencia más científica”].

En un mundo ideal, la ciencia funcionaría como una búsqueda eficiente, con investigadores que se distribuyen en todas las direcciones, unos pocos exploran incluso el terreno más improbable, y todos informan –incluso en las áreas donde no hubo hallazgos– para evitar la redundancia. Evans, quien trabaja en la Universidad de Chicago, ha examinado el modo menos que ideal en que funciona la ciencia real, y encontró que hay mucha redundancia y agrupación ineficiente de esfuerzos de investigación.

¿Por qué no probar un algoritmo para dirigir a los científicos a fronteras potencialmente ricas?

La misma semana que su idea apareció en la revista Science, un artículo en PLOS Biology señaló que, en genética, los científicos están centrando todos sus esfuerzos en solo el 10 por ciento de nuestros alrededor de 20.000 genes, donde una exploración más amplia se ve desalentada por restricciones profesionales y de financiamiento. El autor principal, el biólogo de sistemas Thomas Stoeger de Northwestern University, dijo que algunos de los genes estudiados son "populares" por una buena razón, como una conexión conocida con el cáncer u otras enfermedades. Pero la atención sigue siendo desproporcionada, dijo, con genes populares que obtienen 4.000 veces la atención que otros, y cerca del 27 por ciento de los genes quedan completamente sin estudiar.

Algunos de los prejuicios tienen raíces históricas, dijo. Los genes que reciben la mayor parte de la atención el 2018 son los mismos que se conocían antes que el Proyecto Genoma Humano identificara la gama completa de nuestros genes a principios de los años 2000. Estos genes más conocidos eran a menudo los más fáciles de estudiar por varias razones: era fácil hacer y estudiar la proteína para la cual tenían el código, por ejemplo, o se prestaban para estudiar en moscas de la fruta y otros modelos animales.

Stoeger dijo que los jóvenes científicos que se dirigen a la parte desconocida del genoma tienen un 50 por ciento menos de probabilidades de éxito de convertirse en investigadores independientes. Se necesita mucho más tiempo para conocer el nuevo territorio, sostuvo. Hay que diseñar nuevas herramientas, como encontrar nuevos animales transgénicos, para ponerse en marcha. Los agentes de financiamiento tienden a rehuir proyectos arriesgados a largo plazo.

La genética humana es un poco distinta a muchas otras áreas, porque el Proyecto Genoma hizo de la parte inexplorada del genoma una incógnita conocida. En otros campos, incluyendo la física y las ciencias sociales, las incógnitas son a menudo desconocidas. Pero una actitud proclive a la toma de mayores riesgos por parte de los agentes de financiamiento también podría ayudar a las personas a aventurarse allí.

Evans, que había sugerido el uso de un algoritmo de originalidad, dijo que es difícil conseguir que los agentes de financiamiento entiendan por qué deberían invertir en cosas que tienen menos probabilidades de éxito. La respuesta es adoptar un enfoque más como el que adoptan los capitalistas de riesgo, señaló, reconociendo que algunos de los proyectos con las menores probabilidades de éxito podrían generar grandes recompensas.

Por ejemplo, en ciencia biomédica, él y sus colegas han podido usar algoritmos para predecir el 96 por ciento de los temas de los estudios de un año determinado a partir de trabajos publicados anteriormente.

No es una sorpresa que los estudios que tuvieron mayor impacto estuvieron entre la pequeña minoría que no se predijeron.

Los científicos se agrupan en disciplinas, con problemas y métodos bien establecidos para resolverlos, dijo. Las disciplinas son necesarias, "pero como cualquier cosa buena hay menores retornos marginales". Después de un tiempo, esas áreas concurridas se convierten en algo como una veta sobreexplotada.

Demasiada aglomeración también contribuye al problema de resultados poco confiables, señaló, porque los diferentes grupos a menudo usan exactamente los mismos métodos. Eso significa que los intentos por replicar un descubrimiento no son verdaderamente independientes.

Para empeorar las cosas, los científicos a menudo no pueden persuadir a las revistas para que publiquen resultados negativos, tales como resultados que sugieren que no existe algún efecto psicológico previsto, una intervención dietética que no ayuda a las personas a perder peso, o un medicamento que no ayuda a curar una enfermedad. Y así otros científicos están condenados a hacer los mismos experimentos de nuevo, y si cometen un error y consiguen un resultado positivo, eso es lo que aparecerá en la literatura publicada.

La originalidad no es lo que las personas asocian con los algoritmos, pero usarlos podría ayudar a conseguir agentes de financiamiento y sacar a las personas a las que financian de sus rutinas. Encaja con una línea de pensamiento de que la automatización, los algoritmos y la inteligencia artificial no reemplazarán a las personas tanto como cambiarán la forma en que trabajamos. Evans compara las incógnitas de la ciencia con un mar con cartas de navegación poco desarrolladas, con preguntas improductivas al acecho como icebergs. Un algoritmo podría usar los pocos consejos conocidos para predecir el resto, ayudando a las personas a evitar el hielo y aventurarse más en lo desconocido.

Esta columna no necesariamente refleja la opinión de la junta editorial o de Bloomberg LP y sus dueños.