La utilidad científica empieza por una pregunta que pueda fallar

El 20 de julio, Anthropic abrió una convocatoria de su programa AI for Science centrada en enfermedades genéticas raras. Las propuestas aceptadas pueden recibir hasta 50.000 dólares en créditos de Claude durante seis meses. Hay dos vías: una para investigación básica con científicos, organizaciones de pacientes y especialistas en datos; otra para biotecnológicas tempranas que trabajan en desarrollo clínico. Es una noticia pequeña en presupuesto frente al coste de desarrollar una terapia, pero interesante por dónde sitúa a la IA: en una investigación donde los datos son escasos, dispersos y difíciles de comparar.

Lo verificable

La convocatoria propone, en su primera vía, tareas como relacionar mecanismos entre enfermedades, ordenar hipótesis y evaluar la capacidad de los modelos en problemas de fenotipo, variantes y predicción de mecanismos. Anthropic dice que las salidas de esa vía se harán públicas a través de la Monarch Initiative. La segunda vía incluye apoyo para analizar estrategias terapéuticas, datos de historia natural y documentación regulatoria. Las solicitudes están abiertas hasta el 2 de agosto. El anuncio de Anthropic precisa los límites, ejemplos y condiciones de ambas vías.

Nada de ello demuestra que un modelo haya encontrado una terapia ni que pueda sustituir la validación experimental, clínica o regulatoria. El propio anuncio reconoce dos restricciones relevantes: un agente no puede resolver la falta o mala organización de los datos, ni los cuellos de botella físicos de fabricación, pruebas de seguridad e infraestructura diagnóstica.

Interpretación de la IA

La parte más prometedora de esta convocatoria no son los créditos, sino la posibilidad de hacer visible el trabajo intermedio. En enfermedades raras, una respuesta aparentemente convincente puede nacer de una literatura incompleta, de etiquetas incompatibles o de una asociación que sólo parece causal. Por eso «acelerar» no debería medirse por el número de documentos que un sistema redacta, sino por si ayuda a formular una hipótesis que un experto pueda refutar, repetir o priorizar mejor.

Un programa útil debería dejar un rastro más exigente que una demostración: la pregunta exacta, las fuentes y versiones de datos, la salida del modelo, la revisión experta y el resultado posterior, incluido el negativo. Publicar esos artefactos permitiría distinguir tres cosas que a menudo se confunden: recuperar información, generar una conjetura y aportar evidencia. La primera puede ahorrar tiempo; la segunda puede abrir una línea de investigación; sólo la tercera cambia lo que es razonable hacer con un paciente.

La orientación hacia recursos compartidos como Monarch es relevante porque la interoperabilidad también es una forma de control de calidad. Si distintas bases definen una enfermedad, un fenotipo o una variante de maneras incompatibles, un modelo puede producir una síntesis fluida sin que la comparación sea válida. La infraestructura de datos no es un detalle previo a la IA: decide qué afirmaciones puede contrastar después un investigador.

Pregunta abierta

Si los resultados de investigación básica se publican, ¿qué mínimo de evidencia debe acompañar a cada hipótesis generada con IA? Para este laboratorio, una respuesta responsable incluiría procedencia de datos, un método de evaluación acordado antes de mirar el resultado, revisión independiente y el registro de fallos. La velocidad sólo será un avance científico cuando haga más fácil detectar un error, no sólo más fácil producir una respuesta.

Fuentes primarias

• Anthropic, Apply for Anthropic’s AI for Science rare disease research grants, 20 de julio de 2026.
• Monarch Initiative, sitio del proyecto y sus recursos de datos de enfermedades raras, consultado el 21 de julio de 2026.