AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

La mayoría de las veces, cuando utilizamos la inteligencia artificial para comprender la biología, le pedimos que mire hacia adelante. Alimentamos a una computadora con una imagen de la salud actual de un paciente o una instantánea de la propagación de un virus en una ciudad, y le pedimos a la máquina que prediga qué sucederá después. ¿Subirá el nivel de azúcar en sangre de esa persona mañana? ¿Aumentará el número de infecciones el próximo mes? Este enfoque de visión hacia el futuro se ha convertido en el estándar de la medicina moderna y la salud pública. Es una forma poderosa de pronosticar riesgos, pero deja una pregunta crucial sin respuesta. Un médico o un responsable de políticas rara vez necesita saber solo lo que pasará; necesitan saber qué hacer para que algo diferente suceda. Necesitan saber exactamente cuánta insulina administrar, o qué tan estricto debe ser un confinamiento, para mover un sistema hacia un resultado específico y deseado.

Esta es la diferencia entre observar el flujo de un río y saber qué rocas mover para cambiar su curso. Durante décadas, los científicos han intentado construir "gemelos digitales": copias virtuales de pacientes o poblaciones que imitan la vida real tan de cerca que pueden ser probadas con diferentes tratamientos. Sin embargo, estos gemelos digitales suelen fallar porque están construidos sobre promedios. Describen cómo reacciona una persona típica, no cómo reacciona un individuo específico ante una acción específica. Si un modelo nunca ha visto un fármaco particular en sus datos de entrenamiento, no puede decir con fiabilidad qué hará ese fármaco para un paciente específico, incluso si ofrece una respuesta que suena segura. El resultado es un sistema que puede predecir bien, pero que no puede guiar la acción de forma segura.

Un nuevo estudio de Maurice Antony Ewing propone una forma diferente de pensar en estos modelos computacionales. En lugar de construir un gemelo que imite a una persona, el autor trata al modelo de IA entrenado como un "primitivo biológico". Este es un concepto más simple: el modelo no es una réplica de toda la historia de una persona, sino un registro aprendido de cómo respondió realmente un sistema a las cosas que se le hicieron en el pasado. Si los datos muestran que una cantidad específica de ejercicio redujo el azúcar en sangre en un grupo de personas, el modelo aprende esa relación específica. El investigador entonces voltea el modelo. En lugar de preguntar: "¿Qué pasa si hago esto?", se le pregunta al modelo: "¿Qué cantidad de esta acción nos llevará a ese objetivo?". Este proceso, llamado inversión dirigida, busca los niveles precisos de intervención necesarios para mover un sistema hacia un estado objetivo, pero utilizando únicamente las palancas que los datos realmente respaldan.

Para probar si esta idea funciona en el mundo real, el estudio aplicó el método a tres sistemas biológicos muy diferentes: la fisiología individual de personas con diabetes tipo 1, la dinámica poblacional de la pandemia de COVID-19 y las respuestas microscópicas de las neuronas en el cerebro. Los investigadores comenzaron entrenando modelos de IA estándar para predecir estados futuros en cada una de estas áreas. Para los datos de la diabetes, los modelos aprendieron a predecir los niveles futuros de glucosa en sangre basándose en la insulina, la comida y la actividad pasadas. Para los datos de la pandemia, aprendieron a predecir el número de casos futuros basándose en políticas como confinamientos y tasas de pruebas. Para los datos cerebrales, aprendieron cómo disparan las neuronas en respuesta a estímulos visuales específicos. Estos modelos predictivos (forward models) fueron altamente precisos, demostrando que habían aprendido los patrones subyacentes de los datos.

Una vez entrenados los modelos, los investigadores les pidieron que trabajaran hacia atrás. Establecieron un objetivo —por ejemplo, un nivel seguro de azúcar en sangre para un paciente diabético o un menor número de infecciones para una ciudad— y le pidieron al modelo que encontrara la combinación específica de acciones que lograría eso. En el grupo de la diabetes, que involucró 400 casos de alto riesgo, el método fue notablemente efectivo. Cuando los investigadores pidieron al modelo encontrar la cantidad adecuada de actividad física por sí sola, esta redujo la brecha entre el estado actual del paciente y el objetivo en un 76.5 por ciento. Cuando pidieron la cantidad adecuada de insulina por sí sola, la brecha se redujo en un 60.6 por ciento. Cuando permitieron al modelo combinar tanto la actividad como la insulina, pero manteniendo las sugerencias dentro de límites clínicos seguros, la brecha se redujo en un 87.8 por ciento. Si eliminaron esos límites de seguridad y dejaron que el modelo buscara libremente, encontró soluciones que redujeron la brecha en un 96.4 por ciento. En casi todos los casos, el modelo encontró una forma de mover el sistema más cerca del objetivo.

Los resultados fueron ligeramente más modestos pero consistentes cuando se aplicaron a la escala mayor de la pandemia de COVID-19. Aquí, el objetivo era reducir la carga de futuros casos. Cuando el modelo buscó el nivel adecuado de medidas de confinamiento, redujo la brecha proyectada en un 17.9 por ciento. Las pruebas por sí solas ayudaron en un 5.8 por ciento, y la vacunación en un 3.8 por ciento. Sin embargo, cuando el modelo combinó estas tres estrategias, redujo la brecha en un 25.1 por ciento. Esta diferencia resalta un hallazgo clave: si bien una acción única puede ayudar, la compleja dinámica de una pandemia está moldeada por la combinación de muchos factores trabajando juntos. El método demostró que los problemas a nivel poblacional requieren una mezcla de intervenciones en lugar de una única solución milagrosa.

Quizás la parte más sorprendente del estudio fue cuánto pudieron lograr los investigadores sin tener que buscar a través de cada posible combinación de acciones. En el mundo real, existen miles de tratamientos o políticas potenciales, pero muchas de ellas no están respaldadas por los datos disponibles. El estudio probó un enfoque "compacto", donde el modelo se vio restringido a buscar solo a través de una lista pequeña y curada de intervenciones que se sabe que son plausibles y que están registradas en los datos. Para los casos de diabetes, esta lista compacta recuperó el 79.0 por ciento de la mejora posible hacia el objetivo. La búsqueda completa y sin restricciones solo añadió otro 2.2 por ciento de mejora. Para los datos de la pandemia, la lista compacta recuperó el 85.9 por ciento de la mejora, con la búsqueda completa añadiendo solo un 0.5 por ciento más. Esto sugiere que no necesitamos adivinar salvajemente o buscar entre millones de opciones imposibles para encontrar soluciones efectivas. Solo necesitamos mirar las acciones que sabemos que existen y de las que tenemos datos.

El estudio también demostró una característica de seguridad crítica: el modelo se niega a inventar soluciones que no puede respaldar. En el grupo de la diabetes, los investigadores intentaron pedir al modelo que encontrara soluciones que involucraran ciertos medicamentos, como la metformina o los fármacos GLP-1. Debido a que los datos originales para estos pacientes no incluían registros de esos medicamentos específicos, el modelo simplemente los omitió. No alucinó un resultado ni fingió saber qué pasaría. Devolvió una respuesta plana, indicando que no podía apuntar a esas palancas específicas. Esto es un marcado contraste con muchos sistemas de IA actuales, que podrían sugerir con confianza un tratamiento incluso si nunca han visto datos sobre él. El enfoque de "primitivo" está basado en lo que los datos realmente contienen, lo que lo convierte en una herramienta más segura para la toma de decisiones.

La misma lógica se aplicó al cerebro. Utilizando datos del Allen Brain Observatory, que contiene más de 1.2 millones de observaciones de cómo responden las neuronas a la luz, los investigadores construyeron un primitivo que aprendió cómo células específicas reaccionan a los estímulos. Pudieron preguntarle al modelo qué nivel de estímulo movería a una neurona hacia un patrón de disparo específico. Esto demostró que el método funciona no solo para personas completas o poblaciones enteras, sino también para las unidades más pequeñas de la biología. La neurona, el paciente y la ciudad son tratados como sistemas que responden a entradas, y el modelo aprende el mapa de esas respuestas.

El autor es cuidadoso al afirmar que este es un método de indagación, no una prescripción final. Los resultados provienen de observar los datos históricos, no de realizar nuevos ensayos clínicos. El modelo identifica los niveles de intervención que moverían un sistema hacia un objetivo basándose en el comportamiento pasado, pero no demuestra que esas intervenciones funcionarán en un nuevo entorno del mundo real. Es una forma de reducir las posibilidades y encontrar los caminos más prometedores para explorar. El estudio argumenta que, al tratar a la IA como un primitivo biológico que puede ser interrogado en reversa, los científicos pueden ir más allá de la simple predicción. En lugar de solo preguntar qué pasará, pueden preguntar qué nivel de acción es necesario para que algo suceda, siempre que se ciñan a las palancas que los datos respaldan. Este cambio de adivinar el futuro a apuntar al presente ofrece una forma más fundamentada y práctica de utilizar la inteligencia artificial en la medicina y la salud pública.