Autor: Dr. José Martín Méndez González
Es verdaderamente el mejor de los tiempos y el peor de los tiempos en 2021: una era de sabiduría y una era de tonterías. La historia científica de dos ciudades nos acompañará durante un tiempo.
- Holden Thorp, Editor en jefe de la revista Science.
Se acerca el fin de año y con ello también la revisión de lo mejor y lo peor del mismo en temas que abarcan un amplio espectro de las actividades humanas, que van desde la política hasta la farándula. La ciencia también es una actividad humana, y como tal, tampoco escapa a los recuentos de lo “mejor” y lo “peor”, por decirlo de alguna manera.
En su edición especial del 17 de diciembre de 2021, la revista Science dedica su portada al descubrimiento de mayor impacto durante este año: el uso de Inteligencia Artificial (IA) para predecir la estructura tridimensional de las proteínas. La estructura tridimensional es importante porque la configuración espacial implica funcionalidad. Más aún, la IA es capaz de generar del orden de miles de estructuras tridimensionales en una escala de hora y no de años o décadas.
Para darnos una idea de la importancia de este avance tecnológico, la primera estructura de una proteína se obtuvo en 1957 (la de la hemoglobina, encargada de transportar el oxígeno en la sangre) utilizando cristalografía de rayos “X” por John C. Kendrew y Max F. Perutz. Después vendría una validación termodinámica de si tal estructura era estable o no. Tampoco podemos olvidad el caso de la insulina, fundamental para regular el “azúcar” en la sangre: le tomó 35 años a Dorothy Hodgkin desentrañar su estructura tridimensional, quien luego recibiría el premio Nobel en Química de 1964 por dilucidar la estructura de la vitamina B12.
Ahora bien, todo esto nos lleva al Santo Grial de la biología molecular: predecir la estructura tridimensional de una proteína a partir de la secuencia de “letras químicas” (es decir, aminoácidos) que la conforman. ¿Cómo, a partir de algo bidimensional (la secuencia de aminoácidos), construyes una estructura no sólo en tres dimensiones sino, además, funcional? Pueden existir miles de estructuras tridimensionales, pero sólo una de ellas será funcional. Desde los años 50 hubo avances técnicos significativos (como la crio-microscopía electrónica) para aumentar la velocidad con la que podían dilucidarse la estructura de las proteínas sin necesidad cristalizarlas para luego emplear los rayos “X”, todo ello a expensas de equipo muy costoso.
Luego, llegó la era de la computación y las simulaciones moleculares, pero no terminaron de resolver el problema realmente. Hasta que llegó la competición llamada Evaluación Crítica de la Predicción de la Estructura de Proteínas (CASP, por sus siglas en inglés). De la mano de una subsidiaria de Google llamada DeepMind, llegaron en 2020 avances impresionantes en la predicción de la estructura tridimensional de proteínas con gran exactitud (el margen de error es de un átomo) empleando IA. El algoritmo de Google—AlphaFold—no fue el único en sobresalir en las competiciones. Minkyung Baek, investigador de la Universidad Washington, desarrolló un algoritmo—RoseTTAFold—que requiere menor poder computacional para predecir las complejas estructuras de las proteínas. Con ayuda de la IA, y las bases de datos de proteínas cristalizadas, se ha resuelto un problema científico de primera línea.
¿Lo mejor? Proteínas para todos. Ambos algoritmos están disponibles de manera gratuita para los investigadores. Aquellos investigadores que no podían permitirse la compra de equipo costosos para cristalizar e inferir la estructura de las proteínas, ahora pueden competir en un terreno más o menos nivelado con otros países o universidades.
Ahora bien, ¿qué ha salido mal en el mundo científico este 2021? De entre los temas que menciona la revista Science señalo el ataque a los científicos. La pandemia ha servido de termómetro para medir la confianza que se tiene a los científicos, así como el nivel de pensamiento crítico distribuido en una sociedad. En particular, la revista Science reporta que, los científicos involucrados en el sector salud (y que han analizado los pros y contras de los tratamientos contra la COVID-19), fueron objeto de ataques a su credibilidad tanto dentro como fuera de las redes sociales. Algunos ataques incluían amenazas de muerte. En números, de los 321 investigadores entrevistados, el 15 % sufrió una amenaza de muerte. Esta clase de polarización ha orillado a algunos a alejarse del escaparate público y no conceder más entrevistas. En otros, la cuota ha sido abandonar su trabajo.
En mi opinión, la agresión a los científicos tiene su raíz en la ausencia de pensamiento crítico (por supuesto, también existen manipuladores de la información en redes sociales, e. g. el caso de Cambridge Analytica o Facebook). Además, muchas veces no logramos separar nuestros sentimientos cuando se discute la evidencia (o ausencia de ella) en un tema que consideramos de particular importancia. Pareciera que vivimos en una paradoja: estamos rodeados de millones de datos, pero no sabemos extraer o validar información fidedigna. O como diría el Dr. Ian Malcolm, personaje de la novela Parque Jurásico: “¿No es sorprendente? En la sociedad de la información, nadie piensa. Esperábamos desterrar el papel, pero, en realidad, desterramos el pensamiento”.
¿Cómo enfrentar entonces esta paradoja? Carl Sagan (el pasado 20 de diciembre cumplió 25 años de fallecido) nos ofrece nueve consejos en su libro el Mundo y sus demonios para detectar camelos:
- Siempre que sea posible tiene que haber una confirmación independiente de los «hechos».
- Alentar el debate sustancioso sobre la prueba por parte de defensores con conocimiento de todos los puntos de vista.
- Los argumentos de la autoridad tienen poco peso: las «autoridades» han cometido errores en el pasado. Los volverán a cometer en el futuro. Quizá una manera mejor de decirlo es que en la ciencia no hay autoridades; como máximo, hay expertos.
- Baraje más de una hipótesis. Si hay algo que se debe explicar, piense en todas las diferentes maneras en que podría explicarse. Luego piense en pruebas mediante las que podría refutar sistemáticamente cada una de las alternativas. Lo que sobrevive, la hipótesis que resiste la refutación en esta selección darwiniana entre «hipótesis de trabajo múltiples» tiene muchas más posibilidades de ser la respuesta correcta que si usted simplemente se hubiera quedado con la primera idea que se le ocurrió.
- Intente no comprometerse en exceso con una hipótesis porque es la suya. Se trata sólo de una estación en el camino de búsqueda del conocimiento. Pregúntese por qué le gusta la idea. Compárela con justicia con las alternativas. Vea si puede encontrar motivos para rechazarla. Si no, lo harán otros.
- Si lo que explica, sea lo que sea, tiene alguna medida, alguna cantidad numérica relacionada, será mucho más capaz de discriminar entre hipótesis en competencia. Lo que es vago y cualitativo está abierto a muchas explicaciones. Desde luego, se pueden encontrar verdades en muchos asuntos cualitativos con los que nos vemos obligados a enfrentarnos, pero encontrarlas es un desafío mucho mayor.
- Si hay una cadena de argumentación, deben funcionar todos los eslabones de la cadena (incluyendo la premisa), no sólo la mayoría.
- El rasero de Occam. Esta conveniente regla empírica nos induce, cuando nos enfrentamos a dos hipótesis que explican datos igualmente buenos, a elegir la más simple.
- Pregúntese siempre si la hipótesis, al menos en principio, puede ser falsificada. Las proposiciones que no pueden comprobarse ni demostrarse falsas, no valen mucho […] Debe dar oportunidad a escépticos inveterados de seguir su razonamiento para duplicar sus experimentos y ver si se consigue el mismo resultado.
Seguir estos consejos, como todo decálogo, suele ser difícil, en especial cuando los botones de like y compartir se encuentran a fracciones de segundo de nuestra voluntad. Detenernos a pensar cuesta mucho más que segundos. Pero podemos ser parte de la solución. Es cuestión de practicar.
Gracias por leer y felices fiestas.
