En algún momento de 2024, los veterinarios le dijeron a Paul Conyngham que su perra Rosie tenía entre uno y seis meses de vida. Cáncer avanzado en los mastocitos. Quimioterapia y cirugía habían frenado un poco el avance, pero los tumores no cedían. Uno de ellos, en la pata trasera, era del tamaño de una pelota de tenis.
La respuesta de Conyngham fue la que uno esperaría de un ingeniero de datos con 17 años en machine learning y cero formación en biología: "Sin problemas. Voy a resolverlo con ChatGPT."
Bueno. Más o menos.
Lo que realmente pasó
Lo que siguió no fue exactamente "le pregunté a ChatGPT y me dio la vacuna". Fue algo más parecido a lo que hace un investigador, pero usando herramientas que hace cinco años no existían o no estaban al alcance de alguien fuera de una universidad.
Primero, los datos. Conyngham contactó al Ramaciotti Centre for Genomics de la Universidad de New South Wales (UNSW) en Sydney, pagó 3.000 dólares de su bolsillo, y secuenció el ADN sano de Rosie junto con el ADN de su tumor. La idea es simple en concepto: comparar ambas secuencias para identificar exactamente dónde el código genético se torció, dónde el tumor es diferente al resto del cuerpo.
Con esa información en mano, usó herramientas de IA, entre ellas AlphaFold, para modelar las proteínas codificadas por los genes mutados. Sobre AlphaFold volvemos en un momento, porque es una de esas cosas que aparecieron en los titulares, todo el mundo repitió el nombre, y nadie sabe muy bien qué hace, como la partícula de Dios o el efecto cuántico. Para este caso importa entenderlo de verdad.
Acá es donde la narrativa de "ChatGPT curó al perro" empieza a complicarse. Según su propio relato en entrevistas y cobertura mediática, ChatGPT lo ayudó a navegar literatura científica e identificar investigadores con quienes contactarse, Gemini procesó parte del volumen de datos que produce el secuenciamiento genómico, y Grok, el modelo de xAI, diseñó el constructo final de la vacuna: la media página de fórmulas que describe la secuencia exacta que debía fabricarse.
Con esa media página, el Profesor Pall Thordarson, director del RNA Institute de la UNSW, fabricó la vacuna en menos de dos meses. En diciembre de 2025, Conyngham manejó 10 horas para llevar a Rosie a recibir su primera inyección en el laboratorio de la Universidad de Queensland.
Según reportes de prensa de marzo de 2026, uno de los tumores se redujo de forma notoria: alrededor de un 75% (fuente).
Proteínas, mRNA, y por qué AlphaFold ganó el Nobel
Para entender qué pasó con Rosie, hay que entender tres cosas que probablemente escuchaste muchas veces sin que nadie se tomara el trabajo de explicarlas bien.
¿Qué es una proteína?
Tu ADN es un manual de instrucciones. Cada gen es un capítulo que dice cómo ensamblar una proteína específica. Las proteínas se construyen encadenando aminoácidos, que son moléculas pequeñas que el cuerpo obtiene de la comida y que funcionan como las letras de un alfabeto: solas no dicen nada, pero en el orden correcto forman algo con sentido.
Las proteínas son las máquinas moleculares que hacen prácticamente todo en un ser vivo: transportan oxígeno, destruyen bacterias, comunican células entre sí, regulan cuándo una célula se divide y cuándo se detiene. Pero la clave no es solo la cadena de aminoácidos, sino la forma que adopta esa cadena cuando se pliega sobre sí misma en tres dimensiones. La forma de una proteína determina con qué otras moléculas puede interactuar, como una llave que solo entra en una cerradura específica.
En un tumor, algunas proteínas tienen instrucciones incorrectas: están malformadas de maneras que hacen que las células se dividan sin freno y evadan los mecanismos que normalmente las detendrían.
¿Qué es el cáncer de mastocitos?
Los mastocitos son células del sistema inmune que normalmente viven en tejidos como la piel, los pulmones y el intestino, y cuyo trabajo es responder a infecciones y alergias liberando sustancias inflamatorias. Cuando esas células se vuelven cancerosas, se multiplican sin control y forman tumores, especialmente en la piel. Es uno de los cánceres más frecuentes en perros (fuente). La proteína c-KIT, que Conyngham identificó como el blanco principal en Rosie, es una de las señales que le dice a los mastocitos cuándo dividirse. Cuando c-KIT está mutada, esa señal queda encendida permanentemente.
¿Qué hace AlphaFold?
Predecir la forma exacta en que se pliega una proteína fue durante décadas uno de los problemas más difíciles de la biología. No es trivial: una cadena de aminoácidos tiene tantas formas posibles de plegarse que explorarlas todas computacionalmente tomaría más tiempo que la edad del universo. Determinarla experimentalmente requería años de trabajo en laboratorio.
AlphaFold, desarrollado por el equipo de DeepMind de Google, logró un salto notable de precisión en ese problema: en muchos casos alcanzó resultados cercanos al nivel experimental en los benchmarks de referencia del campo, aunque no es infalible ni reemplaza la validación experimental. El avance fue tan significativo que en 2024 sus creadores, Demis Hassabis y John Jumper, ganaron el Premio Nobel de Química, compartido con David Baker por su trabajo paralelo en diseño computacional de proteínas.
Conyngham usó AlphaFold para generar un modelo tentativo de la proteína c-KIT mutada en Rosie y explorar posibles diferencias estructurales con su versión sana. A partir de ahí buscó compuestos conocidos que pudieran encajar específicamente en las cavidades o salientes que esa mutación generaba en la superficie de la proteína, de manera que bloquearan su funcionamiento. La misma lógica de llave y cerradura, pero aplicada a encontrar la llave que inutiliza la cerradura defectuosa.
Cuando el fabricante del medicamento que había identificado se negó a proporcionarlo para uso compasivo, Conyngham cambió de estrategia. En lugar de bloquear la proteína directamente, optó por enseñarle al sistema inmune de Rosie a reconocerla y atacarla por su cuenta.
¿Qué es el mRNA, y por qué debería sonarnos?
Pasamos dos años escuchando "mRNA" decenas de veces al día, pero la mayoría salió de la pandemia sin entender realmente qué es.
El ADN vive en el núcleo de cada célula, protegido. Pero las instrucciones para fabricar proteínas tienen que llegar a las fábricas moleculares que están fuera del núcleo. El mensajero que lleva esas instrucciones se llama ARN mensajero, mRNA. Funciona como una fotocopia temporal de un fragmento del ADN: se produce, sale al resto de la célula, las fábricas la leen y fabrican la proteína correspondiente, y después el mRNA se degrada y desaparece. No modifica el ADN. No entra al núcleo.
Las vacunas de COVID de Pfizer y Moderna funcionaban así: te inyectaban mRNA con instrucciones para fabricar la proteína de la espiga del virus. Tu cuerpo la fabricaba, tu sistema inmune la veía por primera vez, aprendía a reconocerla como amenaza, y cuando llegaba el virus real, ya tenía el protocolo listo.
Una vacuna personalizada contra el cáncer usa el mismo principio, pero en lugar de apuntar a un virus, apunta a los neoantígenos del tumor. Un neoantígeno no es una proteína completa, sino un fragmento anómalo derivado de proteínas del tumor, algo que el sistema inmune puede aprender a reconocer como extraño. Es la etiqueta de "soy anormal" que el tumor exhibe sin saberlo. El problema es que el sistema inmune, a veces, no la detecta por sí solo. La vacuna le presenta esa etiqueta de forma explícita: mira, esto existe, aprende a atacarlo.
El mRNA diseñado para Rosie era eso: instrucciones para que sus propias células fabricaran temporalmente esos fragmentos anómalos específicos de su tumor, para que los linfocitos T citotóxicos los reconocieran y fueran a destruirlos. Los linfocitos T citotóxicos son las células del sistema inmune especializadas en matar directamente a las células marcadas como amenaza: se adhieren a la célula objetivo y la eliminan. Son distintos de los linfocitos B, que son los que producen anticuerpos.
La narrativa mágica
La historia circuló, en su versión más viral, como una fábula sobre el poder de ChatGPT. "Con una suscripción de 20 dólares al mes, este tipo salvó a su perro del cáncer." Es el tipo de historia que le encanta a internet porque confirma lo que mucha gente quiere creer: que la IA es una varita mágica, que el conocimiento ya no importa, que cualquiera puede hacer cualquier cosa con las palabras correctas.
Es la misma fantasía que alimentó durante años a los vendedores de cursos de prompt engineering, esos que prometen que con el "prompt perfecto" puedes reemplazar a un abogado, un médico, un diseñador. Descubrir el truco secreto. Saltarse el proceso.
La historia de Conyngham no es esa. Es casi la opuesta.
Conyngham tiene 17 años de experiencia en análisis de datos y machine learning. Pagó 3.000 dólares en secuenciamiento. Pasó meses construyendo la hipótesis, identificando investigadores, consiguiendo que académicos donaran su tiempo y la infraestructura de sus laboratorios universitarios. El proceso regulatorio y ético fue, según reportes de prensa, extremadamente pesado: en Australia no puedes administrar un tratamiento experimental ni a un animal sin pasar por ese proceso. "La burocracia fue más difícil que crear la vacuna", dijo. Y aún así necesitó que una investigadora con las aprobaciones correctas administrara el tratamiento.
Los modelos de IA fueron herramientas, no magos. ChatGPT para navegar literatura. Gemini para procesar datos genómicos. Grok para el diseño final. AlphaFold para modelar proteínas. El que decidió qué preguntarle a cada una, en qué orden, con qué datos, fue una persona con casi dos décadas de experiencia trabajando con datos difíciles.
Lo que cambió no es que la IA lo haga todo sola. Lo que cambió es que estas herramientas redujeron drásticamente el costo de formular hipótesis científicas válidas, una parte del proceso que antes requería años de especialización en biología. Alguien con el perfil correcto, no un biólogo pero sí un científico de datos sofisticado, ahora puede entrar a un dominio que antes le era completamente cerrado.
Eso sí es nuevo. Y sí importa.
¿Puedo cancelar mi isapre?
No.
Todavía estamos bastante lejos de poder confiarle nuestra salud a los 20 dólares mensuales que le pagamos a ChatGPT.
Pero la pregunta tiene más sustancia de lo que parece, así que vale la pena tomársela en serio.
Lo que el caso de Rosie demuestra es exactamente ese punto: el costo de formular hipótesis científicas válidas se redujo drásticamente en ciertas fases del proceso. La parte que consiste en "dada esta información genómica, ¿qué debería atacar y cómo?" ahora puede hacerla alguien con las habilidades analíticas correctas y las herramientas adecuadas, en meses en lugar de años.
Lo que no cambió: fabricar la vacuna requirió infraestructura universitaria y un laboratorio especializado. Administrarla requirió aprobación ética y una especialista veterinaria. Y la vacuna se co-administró, según reportes, con un inhibidor de checkpoints, un medicamento que desbloquea al sistema inmune para que ataque el tumor sin frenarse a sí mismo, algo que en el campo de la oncología se sabe que puede potenciar este tipo de tratamientos.
Además, no todos los tumores respondieron. Que AlphaFold identifique un neoantígeno como blanco potencial no garantiza que los linfocitos T citotóxicos estén de acuerdo. Conyngham ya está secuenciando el tumor que no respondió para diseñar una segunda vacuna.
La UNSW fue cuidadosa: publicaron una aclaración el 17 de marzo. "Rosie aún tiene cáncer y sigue siendo incurable" . Pero los tumores se encogieron tanto que se le ven las patas. En diciembre no tenía energía. En enero saltó un cerco para perseguir un conejo.
Y la confianza del modelo de AlphaFold en el modelado de c-KIT fue de 54.55 sobre 100, lo que una bióloga estructural de la misma UNSW calificó públicamente como baja, indicando incertidumbre significativa en la predicción. Herramientas poderosas, sí. Infalibles, no.
Qué podemos esperar
La historia de Rosie no inaugura ninguna revolución, sino que la pone en perspectiva.
Las vacunas personalizadas de mRNA para humanos llevan años en desarrollo. Moderna y Merck tienen un programa conjunto para melanoma que mostró una reducción del 49% en el riesgo de recurrencia o muerte a cinco años .
En febrero de 2026, BioNTech publicó en Nature los resultados de una vacuna personalizada de mRNA probada en 14 pacientes con el tipo de cáncer de mama más agresivo, el que menos opciones de tratamiento tiene y el que más rápido vuelve después de la cirugía. Once de los 14 no tuvieron recaída hasta seis años después. El grupo es pequeño, pero no el porcentaje.
Un trabajo publicado en Nature mostró también respuestas inmunes duraderas asociadas con retraso en la recurrencia en algunos pacientes con cáncer pancreático, uno de los más letales que existen, donde solo el 12% de los pacientes sobrevive cinco años.
Lo que el caso de Rosie ilustra es la dirección de viaje: el costo de diseñar hipótesis científicas válidas está bajando, y va a seguir bajando. Element Biosciences anunció una plataforma con secuenciamiento de genoma completo por 100 dólares como objetivo en su hoja de ruta . Los 3.000 que pagó Conyngham van a parecer historia antigua en pocos años. El proceso de fabricar estas vacunas, que hoy tarda entre ocho y doce semanas desde la biopsia hasta la primera dosis, sigue acortándose. La literatura reciente describe más de 120 estudios clínicos de vacunas de RNA contra cáncer en distintas etapas de desarrollo.
La pregunta relevante no es si la IA va a curar el cáncer. Es cuánto acelera el ciclo de descubrimiento, y qué pasa con el acceso cuando eso ocurra.
Porque cuando estas terapias lleguen al mercado, van a ser caras: cada vacuna se fabrica desde cero para un solo paciente, con su secuenciación, su diseño y su producción propios. No hay forma de producirlas en masa como una aspirina. Sin infraestructura universitaria dispuesta a colaborar, sin investigadores que donen su tiempo, sin las aprobaciones correctas, este proceso no está al alcance de cualquiera. La historia bonita de un dueño que usó IA para salvar a su perra puede convertirse fácilmente en la historia de una terapia que solo pueden acceder quienes tienen los contactos correctos, el tiempo, y el dinero.
Ese es el problema de fondo que ningún modelo de lenguaje va a resolver.
Aún.
