Hombre, de familia rica y estadounidense o europeo: los premios Nobel tienen un perfil marcado
ACTUALIDAD
Una investigación destaca que en 122 años de historia, solo un 4 % de las personas premiadas en categorías científicas fueron mujeres
13 oct 2024 . Actualizado a las 09:52 h.David Baker, Geoffrey E. Hinton y Victor Ambros son tres de los galardonados con un premio Nobel científico este 2024. Son, además, hombres anglosajones. Si le sumamos el provenir de una familia de educación y renta alta, tenemos el perfil más común en 123 años de historia. Es el caso de Baker, hijo de un físico y una geofísica, o de Hinton, tataranieto de un matemático pionero del siglo XIX.
Este mismo mes, con motivo de la entrega de los Nobel, investigadores del Darmouth College, el Imperial College London, Princeton University y UPenn Wharton han publicado un estudio que analiza el contexto en el que nacen y crecen estos genios y sus posibilidades de tener una oportunidad para desarrollar su carrera en el campo de la ciencia. Lo hacen, según explican, porque «estudiar las circunstancias de la infancia de los científicos puede arrojar luz sobre en qué medida las barreras externas impiden que las personas con un potencial alto triunfen en las ciencias».
Del total de 715 personas que recibieron un premio Nobel de una rama científica entre 1901 y el 2023, solo un 4 % fueron mujeres. Marie Curie fue la primera en recibir un Nobel de ciencia. Lo hizo en Física en 1903 y repetiría en 1911, esta vez en Química. Desde entonces, más de un siglo después, solo 25 mujeres lograron este reconocimiento. En el 2024, de los siete premiados en Medicina, Física y Química, ninguno es mujer.
Por nacionalidades, casi la mitad de los galardonados provienen de un país de habla inglesa: un 35 % son estadounidenses y un 12 % británicos.
Hijos de emprendedores, físicos, profesores y científicos
En su metodología explican que toman a los premios Nobel como referencia por sus descubrimientos y aportaciones que benefician a la humanidad. De ellos analizaron la renta y nivel educativo de sus padres, que no de las madres. Esta es una convención en los estudios científicos por ser una medida del estatus socioeconómico relativamente fácil de encontrar en fuentes históricas.
En cuanto a las profesiones paternas, las más comunes que cita el estudio son emprendedor, físico, profesor o científico. Además, seis de los premiados tenían un padre que también había recibido un Nobel. En el caso de Irène Joliot-Curie, sus dos progenitores habían recibido previamente este galardón.
Aunque la muestra de mujeres ganadoras es escasa, los investigadores destacan que entre ellas el hecho de formar parte de una familia de la élite es todavía más importante. Según concluyen, una renta familiar alta puede mitigar la barrera de género.
Atendiendo a los datos generales, en los últimos años la variedad de contextos socioeconómicos de los ganadores se ha ampliado, aunque está lejos de ser igualitaria. «Con el ritmo de cambio actual, harían falta 600 años para que los ganadores de un premio Nobel provinieran un contexto familiar similar a la media de la población», destacan.
Si bien es cierto que la mayor parte de premiados nacieron en países con rentas más altas, en el estudio muestran que los lugares que promueven la igualdad de oportunidades tienen más posibilidades de producir premios Nobel.
«Nuestra investigación sugiere que hay un gran número de científicos "que faltan", es decir, individuos que podrían haber realizado importantes descubrimientos científicos, pero que no tuvieron las oportunidades en su vida para haberlo realizado», concluyen.
Una aplicación de inteligencia artificial gana el Nobel, pero no será la última vez
El premio muestra el enorme potencial de la IA en el avance científico
R. ROMAR
Fue algo histórico. Por primer vez un avance científico logrado gracias a la inteligencia artificial ha sido reconocido con un premio Nobel. Y muy probablemente no será la última. La herramienta de IA AlphaFold2, creada por los investigadores de Google DeepMind Demis Hassabis y John Jumper y que permite predecir las estructuras tridimensionales de las proteínas y diseñarlas desde cero, compartieron la mitad del máximo galardón de Física con el científico David Baker, el creador de una herramienta de software que modela las estructuras de las proteínas.
El premio llega apenas cuatro años después de la implantación del sistema de IA, lo que demuestra no solo la rapidez con la que esta tecnología avanza, sino también su enorme potencial e impacto en la medicina, la industria o la gestión energética. Pocos dudan de que no habrá que esperar demasiado para que una aplicación de la inteligencia artificial vuelva a merecer el interés de la Academia sueca.
«Espero que cuando echemos la vista atrás, AlphaFold2 sea la primera prueba del increíble potencial de la IA para acelerar los descubrimientos científicos», destacó el propio Demis Hassabis cuando se anunció el premio.
También llama la atención la velocidad de los avances en este campo. DeepMind estrenó Alpha Fold en el 2018, cuando ganó un concurso bienal de predicción de estructuras de proteínas. Pero no fue hasta su segunda versión, obtenida en el 2020, cuando sacudió los cimientos de las ciencias de la vida. Muchas de sus predicciones eran indistinguibles de las estructuras de proteínas resueltas experimentalmente. Y no solo eso, sino que ha permitido el diseño de familias de proteínas totalmente nuevas para la ciencia.
Pero la fiabilidad de las predicciones es lo que realmente sorprende. Todas las herramientas de inteligencia artificial se nutren de ingentes cantidades de datos para realizar sus análisis, pero en el caso de las de tipo generativo como las populares ChatGPT o Géminis su precisión es menor porque los datos de los que se nutren no siempre son rigurosos. No ha sido el caso de AlphaFold2, porque detrás de esta aplicación se encuentra el trabajo constante y riguroso que han realizado los científicos durante años. Su éxito se debe en buena pare al Protein Data Bank, un repositorio de acceso gratuito de más de 200.000 estructuras de proteínas determinadas mediante métodos que incluyen la cristolografía de rayox X y la criomicroscopía electrónica. «Es una lección de humildad, porque cada vez que entrenamos AlphaFold2 son años de esfuerzo. Cada punto de datos es el resultado de años de esfuerzo de algún científico», admitió John Jumper, el creador de la tecnología.
Una llamada desde Suecia
Millones de científicos de todo el mundo ya han utilizado la herramienta y se espera que no pase demasiado tiempo antes de que alguno de ellos reciba una llamada desde Suecia. Pocos lo dudan. ¿Por qué? Porque conocer cómo se pliegan estas moléculas, que constituyen los ladrillos de la vida, y determinar cuál es su función es esencial para el desarrollo de nuevas vacunas, para el diseño de fármacos más eficaces y con menos efectos secundarios o para crear nuevos materiales con cualidades revolucionarias.
Un ejemplo. Para tratar enfermedades como el cáncer o la diabetes, los investigadores suelen centrarse en enzimas específicas que intervienen en las vías de la enfermedad. De esta forma, si se predice la forma de una proteína se puede averiguar dónde podrían unirse a ella pequeñas moléculas candidatas a fármacos. Es el primer paso para diseñar nuevos medicamentos.
Es, sin embargo, una revolución que aún está en sus inicios. De hecho, la mayoría de los científicos advierten que la predicción de la estructura de una proteína es el principio de un estudio, no el final. Harán faltan años de trabajo, pero las expectativas que se abren son enormes.
Martin Steinegger, biólogo computacional de la Universidad Nacional de Seul, compara el impacto de AlphaFold y otras herramientas de inteligencia artificial con el de las misiones Apolo a la Luna. «Este es un momento similar para la predicción de estructuras y el campo de la biología estructural: simplemente estamos viendo lo que es posible», declaró a la revista Nature.
AlphaFold2 contiene las estructuras de casi todas las proteínas de todos los organismos representados en las bases de datos genéticas, unos 214 millones. Y, lo que es más importante, DeepMind puso a disposición de los científicos de todo el mundo el código para acceder a este tesoro de datos. Pero la empresa ha cambiado de estrategia con la nueva versión del modelo que ha presentado este año, que no solo predice las formas de las proteínas, sino que también identifica posibles sitios de unión para moléculas pequeñas, un aspecto crucial para el diseño de medicamentos de precisión. El sistema está cerrado. Este hecho ha generado «una gran controversia en la comunidad científica», se lamenta Alfonso Valencia, director del Centro Nacional de Supercomputación de Barcelona en una reacción recogida por SMC España.