En el último trimestre de 2025, el inmunólogo Derya Unutmaz volvió a examinar un experimento que había dejado sin respuesta desde 2022. Se trataba de una pregunta sencilla pero de gran alcance: ¿cómo afecta la disponibilidad de glucosa al proceso de especialización de los linfocitos T? Estas células, esenciales para combatir virus, tumores y ciertos parásitos, pueden adoptar perfiles funcionales diferentes según los estímulos que reciben durante su desarrollo. Saber qué los empuja a una rama u otra podría abrir la puerta a tratamientos más precisos contra cáncer, enfermedades autoinmunes y infecciones.
El dilema experimental
Unutmaz y su equipo habían cultivado linfocitos T en dos condiciones: una con escasez de glucosa y otra con una molécula análoga, la deoxiglucosa, que interfiere con la captación y utilización del azúcar. La hipótesis era que ambas situaciones reducirían el suministro energético y, por tanto, producirían respuestas similares. Los resultados contrariaron esa suposición. En el medio con deoxiglucosa, una proporción mucho mayor de células se diferenció hacia el subtipo inflamatorio conocido como Th17. En el entorno bajo glucosa, aunque se observó algo de esa tendencia, la magnitud fue muy inferior, y la señal persistió incluso después de retirar la deoxiglucosa.
Los investigadores descartaron la falta de energía como única causa y, sin una explicación clara, archivaron el proyecto para centrarse en asuntos más urgentes. Fue entonces cuando la versión Pro de GPT‑5 se lanzó al mercado y Unutmaz decidió reactivar los datos, cargándolos en el modelo y solicitándole un análisis profundo.
La intervención de GPT‑5 Pro
El algoritmo identificó una posible interferencia de la deoxiglucosa con la síntesis de la proteína interleucina‑2 (IL‑2). IL‑2 actúa como una barrera que limita la diferenciación de los linfocitos T hacia la línea Th17. Al bloquear la producción de IL‑2, la deoxiglucosa elimina ese filtro, permitiendo que más células tomen el camino inflamatorio. Unutmaz describió la observación como "una visión que tiene sentido retrospectivo pero que escapa al radar del laboratorio".
Con la hipótesis en mano, el científico la contrastó con experimentos ya realizados. En un estudio previo, había evaluado la capacidad citotóxica de linfocitos CD8+ contra una línea de linfoma. GPT‑5 Pro simuló el mismo ensayo y predijo correctamente el aumento de la eficacia asesina de esas células. La predicción no provenía de fuentes públicas, pues los resultados aún no habían sido publicados, lo que confirmó para Unutmaz la capacidad del modelo de razonamiento interno.
Implicaciones para la investigación biológica
Desde ese punto, Unutmaz describe a GPT‑5 Pro como un colaborador de laboratorio. El modelo procesa rápidamente cientos de artículos publicados semanalmente, ayuda a perfilar lagunas de conocimiento y propone rutas experimentales con mayor probabilidad de éxito. Al simular experimentos, puede reducir el tiempo de prueba de semanas a meses, o en casos extremos, evitar años de trabajo redundante.
Sin embargo, el inmunólogo recalca que la pericia humana sigue siendo indispensable. La IA puede señalar una conexión, pero solo un experto puede valorar su relevancia biológica y descartar artefactos. En su caso, reconocer la importancia de la interrupción de IL‑2 requirió años de experiencia en inmunología.
Esta capacidad aceleradora también plantea riesgos. La misma facilidad para diseñar y predecir resultados biológicos podría ser aprovechada por actores malintencionados. OpenAI ha documentado estas preocupaciones en su "Preparedness Framework", que busca monitorizar y mitigar los posibles usos nocivos de la IA en biotecnología.
Perspectivas de futuro
Unutmaz continúa explorando herramientas de IA más avanzadas, como Codex y la versión 5.2 Deep Research, para compilar bases de datos de mutaciones tumorales y redactar manuales especializados en T‑cells. Su objetivo es generar recursos que aceleren la inmunoterapia de precisión, un campo donde cada día de descubrimiento cuenta.
Para los ejecutivos del sector biotecnológico, la lección es clara: la integración de IA generativa puede transformar la cadena de valor de la investigación, reduciendo costos operativos y tiempo de desarrollo de nuevos tratamientos. Sin embargo, la adopción debe acompañarse de una gobernanza robusta que garantice la evaluación experta de cada hallazgo y la vigilancia contra usos indebidos. En la práctica, eso se traduce en invertir en personal que combine conocimientos científicos con habilidades de manejo de IA, y en establecer protocolos que verifiquen cada conclusión algorítmica antes de pasar a la fase de pruebas clínicas.
En última instancia, la historia de Unutmaz ilustra cómo una herramienta digital, bien aplicada, puede rescatar una pista olvidada y convertirla en una pieza clave para avanzar la medicina personalizada. La capacidad de un modelo para reencontrar respuestas dentro de datos ya existentes sugiere que la próxima década podría estar marcada no solo por nuevos descubrimientos, sino por la redistribución inteligente de información que ya poseemos.
