En este episodio hablo con Sebastián Brauchi, investigador de la Facultad de Medicina de la Universidad Austral de Chile en Valdivia, sobre un trabajo que me llamó la atención desde el primer momento: la reclasificación de GPR89, una proteína que lleva décadas mirándosenos a la cara sin que supiéramos realmente quién era. Una proteína presente en plantas, animales y hongos, conservada durante más de mil millones de años, y cuya verdadera función quizás nunca habíamos interpretado correctamente. A veces no se trata de descubrir algo completamente nuevo, sino de mirar con otras herramientas algo que siempre ha estado ahí.

GPR89 llevaba el nombre de receptor de proteína G casi por defecto, asignado en los tiempos del Proyecto Genoma Humano a proteínas de función desconocida. Lo que Sebastián y su equipo proponen, a través de análisis evolutivo comparado y herramientas de inteligencia artificial, es que en realidad estaríamos ante un transportador facilitativo con hermanas de familia que nadie ha descrito de forma rigurosa. La hipótesis se construye rastreando la proteína en distintos organismos, analizando qué partes de la secuencia se han mantenido intactas a lo largo del tiempo y cuáles han cambiado, y comparando estructuras predichas con millones de proteínas conocidas. Fue Luca Robertson, el doctorando que lleva el peso experimental del trabajo, quien descubrió durante ese rastreo bioinformático que GPR89 no es una rareza aislada sino que pertenece a una subfamilia entera de transportadores sin estudiar. Una proteína huérfana que, de repente, tiene apellidos y familia numerosa.

Hablamos también de cómo funciona un laboratorio en el sur de Chile con recursos limitados —fabricando piezas de microscopio, escribiendo código propio, montando infraestructura de supercomputación desde cero— y de la filosofía que hay detrás: construir una operación lo más autocontenida posible para poder hacerse las preguntas que a uno le dan la gana sin depender de otros para lo básico. Una forma de trabajar que tiene tanto de pragmatismo como de vocación. Y terminamos con una de las ideas más honestas que se pueden decir en este oficio: que la pregunta del momento ya no es tanto cómo resolver los problemas sino qué vale la pena preguntarse. Ese juicio, esa capacidad de orientar la curiosidad, es lo que la automatización no va a reemplazar fácilmente, y lo que hay que cultivar en los estudiantes antes que cualquier otra cosa.

Sobre Sebastián Brauchi

Bioquímico de formación, con doctorado bajo la supervisión de Ramón Latorre y postdoctorado en Harvard con David Clapham. Dirige su laboratorio en la Universidad Austral de Chile desde 2008. También es director de departamento, escalador de roca y, según él mismo, alguien que prefiere los cerros a los campus.

Enlaces

• Artículo comentado en el episodio: https://www.csbj.org/article/S2001-0370(25)00471-4/fulltext
• Publicaciones de Sebastián: https://www.researchgate.net/profile/Sebastian-Brauchi
• Contacto: sbrauchi@uach.cl

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Eso ayuda a que este podcast siga creciendo y llegue a más personas.

Hoy conversamos con Jordi Cabot, investigador en ingeniería del software en el Luxembourg Institute of Science and Technology (LIST) y profesor afiliado en la Universidad de Luxemburgo. Su trabajo se centra en cómo desarrollar better software faster: crear software más rápido y con menos errores mediante modelado, desarrollo dirigido por modelos e inteligencia artificial.

Partimos de una pregunta central: ¿está la inteligencia artificial transformando radicalmente la ingeniería del software? Jordi defiende que el desarrollo de software es una ingeniería, no un arte. Igual que en la construcción de un edificio, primero se definen requisitos, luego se diseñan modelos y solo después se construye el sistema. El problema no es escribir código, sino asegurar que el software haga exactamente lo que el usuario necesita.

Hablamos del desarrollo dirigido por modelos, donde el sistema se describe mediante modelos de datos, comportamiento e interfaz. A partir de ellos puede generarse automáticamente gran parte del código, dejando los aspectos más específicos para programación manual. Este enfoque, que hoy se comercializa como low-code, no es nuevo, pero está cobrando fuerza en el contexto actual.

Analizamos también el llamado vibe coding, es decir, generar aplicaciones directamente en lenguaje natural con ayuda de modelos de lenguaje. Frente a esta aproximación, Jordi propone usar la IA para generar modelos (los “planos”) y no directamente el código final, lo que permite validar la estructura antes de construir el sistema y reducir errores ocultos.

Abordamos la idea recurrente de que la IA hará desaparecer a los programadores. Según Jordi, cada revolución tecnológica ha generado ese temor, pero la realidad es que cuanto más fácil es crear software, más software se produce y mayor es la necesidad de profesionales capaces de entender, validar y diseñar sistemas complejos.

También discutimos el concepto de software responsable: sistemas energéticamente sostenibles, sin sesgos, accesibles y adaptables a distintos perfiles de usuario. La IA puede facilitar esa personalización, pero también introduce riesgos que deben gestionarse con criterio.

Finalmente, hablamos de su libro Research Rants y de los retos actuales del sistema científico: la presión por publicar, la competitividad extrema y el impacto creciente de la IA en la escritura y evaluación de artículos. Una conversación sobre software, inteligencia artificial y el futuro de la investigación.

Enlaces:

· Web de Jordi Cabot: https://jordicabot.com

· Plataforma BESSER (low-code open source): https://besser-pearl.org/

· Libro Research Rants: https://research-rants.com/ y https://lowcode-book.com/

· Grupo en LIST: https://www.list.lu

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

¿Te imaginas obtener un 94% o un 95% en una convocatoria Marie Curie y aun así quedarte fuera porque el corte está en el 96%? Eso es lo que ha ocurrido recientemente. Un umbral que hace unos años rondaba el 90–91% ahora se sitúa en cifras que rozan la perfección. Y no es un caso aislado: está pasando en proyectos europeos, ERC y otras convocatorias. El sistema se ha vuelto mucho más competitivo y la pregunta ya no es solo cómo escribir una buena propuesta, sino qué está cambiando para que necesitemos prácticamente la excelencia absoluta para entrar.

Una de las causas más evidentes es el uso masivo de inteligencia artificial por parte de los solicitantes. Investigadores con buenas ideas y buen currículum, pero menos tiempo o habilidad de redacción, ahora pueden generar propuestas sólidas con apoyo de estas herramientas. Resultado: más solicitudes y, en promedio, mejor presentadas. Si aumenta el número de propuestas competitivas, el corte necesariamente sube.

Pero el cambio también está en la evaluación. Cada vez hay más indicios de que se utilizan modelos de lenguaje para realizar un primer filtrado: cargar las bases, cargar la propuesta y pedir una evaluación por criterios. Después, el evaluador humano revisa las mejor puntuadas. Podemos debatir si es adecuado o no, pero lo prudente es asumir que puede estar ocurriendo y prepararse para ello.

Eso implica actuar en dos niveles. Primero, competir mejor: leer en profundidad las bases, entender exactamente qué se evalúa y formular el proyecto con el lenguaje y las palabras clave que activan la máxima puntuación. No basta con tener buenas ideas; deben estar expresadas como espera la convocatoria. Segundo, simular el filtro algorítmico: evaluar nuestra propuesta con distintos modelos, varias veces, identificar patrones de debilidad y corregirlos de forma iterativa. No infinitamente, pero sí lo suficiente para eliminar puntos ciegos.

Después llega la fase humana. Ahí importa la coherencia global, la claridad y la credibilidad científica. En ese punto es clave obtener feedback de supervisores, colegas con experiencia o incluso consultores especializados. Porque aunque la IA pueda filtrar, la decisión final sigue dependiendo de personas.

Y una última idea estratégica: no apostar todo a una única convocatoria. Diversificar, buscar programas nicho menos masificados y reducir la densidad competitiva puede ser tan importante como optimizar el texto. La carrera investigadora implica aplicar de forma constante. Si el sistema cambia, nuestra manera de prepararnos también debe cambiar.

Puedes contactarme a horacio@horacio-ps.com si quieres hablar más en detalle de todos estos procesos y recibir asistencia.