Voy a recordarte algo que ya sabías: la naturaleza es fascinante. ¿Quién no se ha quedado pasmado mirando el vuelo sincronizado de los estorninos? ¿O ante la habilidad de las arañas tejiendo sus telas? No menos impresionantes son los bailes de las abejas para comunicarse entre ellas cuando encuentran una fuente de alimento. Pero lo realmente fascinante no es la habilidad de estos animales para llevar a cabo estos comportamientos. Los estorninos no necesitan pasarse las horas en la biblioteca para aprender a coordinarse con los de su especie, ni las arañas necesitan ver tutoriales de costura, ni las abejas necesitan clases de baile. ¡Lo realmente fascinante es nuestra ineptitud! Pero, ¿somos realmente ineptos? ¡No! Eso trato de decirme cuando por cuarto año consecutivo toco el mismo vals de Chopin en el piano consiguiendo cada vez una mejora imperceptible para el oído humano. Tanto tejer telarañas como tocar el piano de forma virtuosa son comportamientos que rozan la divinidad. Sin embargo, el primero es un comportamiento innato y por lo tanto no necesita un aprendizaje consciente y el segundo - desgraciadamente - es un comportamiento adquirido que necesita años y años de práctica. Para que un comportamiento innato ocurra y se repita generación tras generación, el cerebro de cada individuo debe seguir el mismo libro de recetas. Por ello, aunque cada cerebro es un mundo y las conexiones entre neuronas variables entre individuos, también hay un cableado de base que nos recuerda que también somos lo mismo. Podría seguir escribiendo sobre lo increíble que es el piano, pero has llegado hasta aquí para aprender algo sobre el cableado del cerebro y sobre ciencia. Así que mejor centrémonos un poco con Brian.
Brian Chen es un profesor de neurociencia en la Universidad McGill. Comenzó a dirigir su propio laboratorio en la misma universidad en 2009. Realizó su tesis con el doctor Karel Svoboda en el laboratorio Cold Spring Harbor, y luego trabajó con el doctor Dietmar Schmucker en el Dana-Farber Cancer Institute. Tras esto, trabajó con el doctor Josh Sanes en la Universidad de Harvard durante su investigación postdoctoral.
Juan García Ruiz: ¿Qué te llevó al mundo de la investigación?
Brian Chen: Desde pequeño admiraba cómo los filósofos pasaban gran parte de su tiempo pensando y tratando de contestar preguntas profundas sobre el funcionamiento del mundo. Un día me hice consciente de que la ciencia moderna tenía el mismo objetivo, y de que podría pasar gran parte de mi tiempo pensando y tratando de contestar preguntas profundas. Me encanta la naturaleza, crecí al aire libre. Siempre me fascinó el mundo natural, y especialmente el comportamiento animal. En mi época de estudiante, este interés por el comportamiento animal me llevó a estudiar neurobiología. Entonces empecé con la investigación, estudiando el sistema auditivo de los murciélagos. Cuando me gradué, estudié la plasticidad dependiente de la experiencia con roedores. Concretamente, estudié cómo cambios morfológicos neuronales daban lugar a cambios en sus campos receptivos. Me divertía mucho haciendo esto, así que hice de la investigación mi carrera profesional.
JGR: ¿En qué consiste tu investigación?
BC: La pregunta que más me llama la atención es cómo un animal puede iniciar comportamientos complejos sin aprendizaje o sin experiencias previas. ¡Hay cosas tan impresionantes y tan bonitas en el reino animal en las que no hay aprendizaje! Desde nuestros reflejos ante el dolor, hasta otros complejísimos comportamientos de los insectos que comienzan desde que el animal nace. ¿Cómo el cableado de nuestros circuitos neurales da lugar a estos comportamientos innatos?
Por supuesto, todas las instrucciones requeridas para conectar estos circuitos neurales están de alguna forma integradas en el genoma de los animales. Mi objetivo es descifrar estas instrucciones moleculares para entender cómo pasamos de moléculas a circuitos neurales funcionales. Ahora mismo trato de dar con una lista de moléculas necesarias y suficientes para conectar los circuitos neurales de la mosca de la fruta (Drosophila melanogaster). Si consigo que introducir en una neurona esta lista de moléculas de tal forma que haya un recableado que dé lugar a cambios en el comportamiento y la percepción del animal, sentiré que habré dado los primeros pasos en la comprensión sobre cómo se construye un circuito neural. Estoy empezando con una sola neurona antes de dar el salto al circuito neural, lo que a su vez está lejos del estudio del cerebro en su conjunto. Pero no hay que olvidar que es un problema muy difícil de resolver. Como dije al principio, me gusta responder a preguntas bien profundas.
JGR: ¿Cuándo empezó este proyecto y cuáles han sido tus principales descubrimientos?
BC: El proyecto empezó cuando inauguré mi propio laboratorio, en 2009. Los principales descubrimientos hasta la fecha son listas y listas de moléculas requeridas en el cableado de la neurona que estudiamos. También hemos contribuido a la comprensión del funcionamiento de estas moléculas y de la neurona que las expresa, y parte de este trabajo de caracterización ha sido publicado, mientras que otra parte está aún pendiente de publicar.
JGR: ¿Cómo estudias los circuitos neurales?
BC: Principalmente usamos la mosca de la fruta como modelo animal para estudiar los circuitos neurales. La Drosophila melanogaster presenta claras ventajas en estudios genéticos que se han hecho evidentes en los últimos 100 años, pero también es un modelo excepcional para estudiar los circuitos neurales. Las principales técnicas que usamos son la imagen de alta resolución de neuronas individuales, el secuenciado de ARN en células individuales (esto es lo que nos permite identificar las moléculas implicadas en el cableado neural), y otras muchas técnicas de biología molecular y genética molecular compatibles con el estudio con la Drosophila. Por ejemplo, la técnica de edición de genomas CRISPR-Cas9, o los knock-out (N. del A.: supresión de la expresión de un gen) en neuronas individuales. También estudiamos el funcionamiento de estas moléculas en cerebros de mamíferos usando neuronas de ratón y humanas a partir de cultivos de células madre.
JGR: ¿Hasta qué punto podemos aprender sobre nuestro cableado cerebral a partir de modelos animales?
BC: Compartimos hasta un 60% de nuestro genoma con la Drosophila melanogaster, y gran parte de los trabajos pioneros de caracterización del cableado cerebral proviene de estudios con este animal. Entenderíamos muy poco sobre nuestro cerebro sin el uso de los animales a lo largo de la historia de la neurobiología. Experimentos clásicos usando moscas de la fruta, saltamontes, embriones de pollo, peces cebra, renacuajos, ratas y ratones nos han llevado a hacer descubrimientos sin precedentes que nos han revelado los principios fundamentales sobre cómo nuestro cerebro construye sus redes, y esto no habría sido posible sin animales.
Esta sería mi respuesta más simple a tu pregunta, pero creo que en realidad tu pregunta es algo más perspicaz ya que es sobre cableado cerebral, y no sobre función cerebral en general. Entender cómo funciona el cerebro humano, la máquina más complicada del universo conocido, ya es algo suficientemente complicado sin modelos animales, ¿no crees? Porque está claro que no podemos hacer estudios invasivos con humanos. Es muy difícil acceder al cerebro humano, y no estoy hablando simplemente del cráneo, sino que tampoco podemos acceder a muestras de tejido cerebral vivo, no podemos hacer registros de la actividad neuronal con patch-clamp (N. del A.: técnica que permite el estudio de corrientes iónicas a través de uno o múltiples canales iónicos), no podemos eliminar un área cerebral y sobreexcitar otra para ver qué pasa. En definitiva, no podemos hurgar en el cerebro de la gente ya que no es ético: nuestros cerebros son nuestra identidad.
Pero me preguntaste sobre el cableado. Un completo opositor podría decir que el conocimiento sobre el cableado del cerebro humano proveniente de modelos animales es completamente irrelevante e inútil, porque proviene de animales que no son el Homo sapiens. Según esta lógica, solo podrían usarse cerebros humanos para comprender los cerebros humanos. O incluso podría plantearse así: bien, independientemente de si el animal es un buen modelo y es relevante para el ser humano, sólo deberían usarse cerebros humanos. En este caso, solo podrían hacerse estudios genéticos asociativos, en los que diferencias genéticas y mutaciones dan lugar a fenotipos de cableado que se manifiestan de distintas formas, a veces como enfermedades y trastornos. Solo podríamos estudiar mutaciones que dan lugar a signos clínicos claros. Más allá de eso, solo nos quedaría el cultivo de neuronas humanas a partir de células madre in vitro. O en el mejor de los escenarios podríamos manipular neuronas humanas en un organoide tisular, pero eso sería todo. No hay nada más que eso. No habría estudios de comportamiento, no habría estudios en circuitos naturales o complejos, no habría resultados funcionales. Lo que trato de decir es que ¡no hay otra forma! Me ha gustado mucho la pregunta porque me ha hecho reflexionar sobre los problemas asociados a la neurobiología, particularmente la neurobiología molecular.
JGR: ¿Por qué es relevante entender el cableado del sistema nervioso?
BC: Entender cómo se construye el alambrado del sistema nervioso es relevante porque nos ayuda a profundizar nuestra comprensión del reino animal, del cómo y el porqué del comportamiento animal (incluido el humano). Por ejemplo, entender cómo los genes controlan el cableado es relevante para entender discapacidades humanas asociadas al mismo, como el autismo o la esquizofrenia y para entender cómo funciona el recableado de tejidos nerviosos dañados. Futuras aplicaciones podrían incluir la mejora de las condiciones de vida de personas con trastornos mentales, o la recuperación del tejido nervioso dañado.
JGR: Entender las instrucciones del sistema nervioso es una tarea engorrosa. ¿Tenemos el conocimiento y los medios para pasar de la comprensión a la construcción de un cerebro (simple) o sigue siendo un objetivo ambicioso?
BC: ¡Definitivamente es un objetivo ambicioso! Los principales obstáculos son la complejidad de los genomas (no solo el humano, sino también el de la mosca de la fruta) y de los circuitos neurales. Por ejemplo, en una neurona individual tenemos innumerables moléculas haciendo diferentes tareas de forma coordinada para garantizar el funcionamiento de la célula. Para que esto ocurra así, miles de genes son expresados a partir del genoma continuamente. En cuanto a los circuitos neurales, incluso en uno muy simple de unas cincuenta neuronas puede haber miles de conexiones diferentes entre ellas.
JGR: Creaste una base de datos de gran relevancia en bioinformática. ¿Qué es GeneDig?
BC: GeneDig es una aplicación web que desarrollé para poder acceder fácil y eficientemente a datos y análisis genómicos. Los genomas son muy complejos porque son muy extensos (miles de millones de códigos de letras), y por una parte está el ADN, el ARN y la información protéica. Hay muchísima información porque hay muchísimos genomas secuenciados (coronavirus, bacteria, hongos, plantas, animales, humanos…). Todo esto complica mucho la comprensión o incluso el acceso a información genómica básica, como los genes implicados en cierta enfermedad, y cuáles son las secuencias de ADN, ARN y proteína relacionadas con la misma.
Como postdoc me frustraba mucho cuando tenía que usar las bases de datos disponibles entonces, ya que eran ridículamente complejas y algo tan simple como acceder a las secuencias de ARN derivadas de un gen para hacer experimentos básicos era una tarea difícil. Cuando abrí mi propio laboratorio y empecé a entender cómo había que hacerlo surgió un nuevo reto, y es que tenía que enseñar a otras personas a utilizar estos recursos bioinformáticos que deberían ser fáciles. Pongamos que quiero partir de una mutación de un paciente para recrearla e investigarla en el laboratorio. Encontrar la secuencia de un gen usando las bases de datos públicas es extremadamente complejo para un estudiante de secundaria o para un universitario. A continuación hay que localizar el sitio de la mutación, luego encontrar la secuencia de ARN, y luego entender cómo se relacionan las secuencias de ADN, ARN y proteína para poder recrear la mutación. Y por si fuera poco, tratar de pasar todo esto del ratón al gen homólogo en la mosca es incluso más complicado. Por otra parte, estudiar la relación estructura-función de cualquier proteína puede ser bastante fastidioso. Estos ejemplos implican al menos 20 etapas diferentes, con al menos 20 sitios web y bases de datos diferentes. Mientras que cada etapa exige entre media hora o una hora con las bases de datos convencionales, GeneDig permite hacer todo esto en solo unos segundos.
En definitiva, creé GeneDig para resolver todos estos problemas. Me di cuenta que acceder a la información genómica y a la bioinformática era crucial, y la importancia no haría más que aumentar en el futuro. Por eso mi objetivo con GeneDig es hacer la información genómica accesible y útil. Descargué en mis servidores todo lo que estaba disponible públicamente, toda la información sobre enfermedades, sobre cromosomas, todo lo que pude encontrar. En GeneDig basta con escribir en la barra de búsqueda el nombre de cualquier gen o enferemedad. También es posible cambiar el organismo de estudio si se desea. Desde el momento en el que se hace una búsqueda genómica es posible ver la relación con mutaciones y enfermedades, con secuencias de ADN y ARN, con proteínas y secuencias de aminoácidos, y con dominios protéicos.
GeneDig no se dirige exactamente al público general, aunque esto era lo que tenía en mente cuando lo creé. Afortunadamente, es usado muy a menudo en todo el mundo con motivos educativos, por ejemplo en Brasil, Indonesia o India, así que tengo la sensación de que está contribuyendo de alguna forma. Pero por desgracia no tengo ningún equipo trabajando en ello actualmente, así que no es fácil corregir errores o implementar nuevas funciones que tengo en mente.
JGR: ¿Cómo pueden los investigadores beneficiarse de GeneDig?
BC: Cuando creé GeneDig tenía en mente como usuario promedio a estudiantes de instituto o universidad. En GeneDig las relaciones entre genoma, DNA, RNA, aminoácidos y estructura protéica están completamente ligadas. Por ejemplo, si resaltas con el ratón una secuencia de ARN, verás como se resaltan igualmente las de ARN y las de aminoácidos en paralelo. Y por cierto, esto hace mucho más fácil la utilización de técnicas de edición genómica como CRISPR-Cas9 empezando desde una proteína o una secuencia de ARN. GeneDig permite ahorrar una gran cantidad de tiempo porque la información se obtiene de forma simultánea, y no es necesario acceder a numerosos sitios web diferentes. No es necesario abrir un documento de texto para tratar de alinear toda la información de transcripción y traducción manualmente. Tan solo toma unos segundos y puede verse todo en tiempo real.
En mi laboratorio lo usamos todo el rato para encontrar secuencias de codificación de ARN, regiones no traducidas de ARN, para aplicarlo con CRISPR-Cas9 en genomas de diferentes especies, y para encontrar dónde ha de efectuarse una mutación partiendo de una secuencia de aminoácidos. También lo utilizamos para almacenar en línea las secuencias con las que trabajamos. GeneDig consta además de un algoritmo automatizado de clonación molecular que nos ayuda a realizar nuestros proyectos de biología molecular, proporcionándonos los protocolos para hacer ensamblajes de PCR, clonación de Gibson, fragmentos de restricción, e incluso ensamblajes de Golden Gate (N. del A.: método de clonación molecular que permite añadir varios fragmentos de ADN en una sola secuencia). Así que también es muy útil para nosotros. Espero que tras algunos ajustes nuestro algoritmo ponga fin a las aportaciones humanas a la biología y a la clonación molecular y podamos poner fin a los errores humanos.
JGR: ¿Qué es lo que más te gusta de la investigación?
BC: ¡Creo que tengo el mejor trabajo del mundo! Puedo investigar la máquina más compleja del universo conocido y desvelar los más profundos misterios de la biología. Me considero muy afortunado por hacer lo que hago. No tengo jefe, tengo completa seguridad laboral y completa libertad académica, lo que me permite llevar a cabo proyectos como GeneDig. Estoy en contacto con otros equipos, incluyendo brillantes estudiantes universitarios, de posgrado y de medicina, becarios postdoctorales, ingenieros, programadores y técnicos. Cada día hay algo nuevo que hacer y aprender, nuevos retos intelectuales y creativos. ¿Qué podría no gustarme? Por si fuera poco, mis compañeros de McGill son inteligentísimos, agradables y divertidos. Y con los pies en la tierra, muy canadienses.
Por otra parte, me gusta esta rutina: experimentos, cirugías, disecciones, biología molecular, técnicas de imagen, desarrollo de nuestro propio material, reuniones con mis compañeros para discutir sobre los últimos resultados y sobre nuestro progreso. Trato de mantener un orden de prioridad en mis proyectos: proyectos estimulados por la curiosidad e interesantes para mí (por ejemplo, cómo se lleva a cabo el cableado de los circuitos nerviosos), proyectos interesantes para la sociedad (cómo un determinado gen puede alterar la función de X neurona en la enfermedad Y) proyectos de utilidad para la sociedad (identificación de fármacos para tratar enfermedades), y proyectos inherentemente bellos (dar vida a una mosca luminiscente). La mayoría de los proyectos en mi laboratorio nacen de la curiosidad.
Uno de los mejores momentos que puede darte la investigación es cuando te das cuenta de que eres la primera persona en observar algo. Me he sentido así muchas veces en mi carrera y he disfrutado y apreciado cada uno de estos momentos, con una mezcla de sensaciones de asombro y de espíritu pionero.
JGR: ¿Qué has aprendido con la investigación?
BC: He aprendido mucho trabajando con otros. He aprendido a ser un líder y un seguidor, cómo comunicar y cómo tener conversaciones difíciles. He aprendido a gestionar el tiempo, a llevar a cabo proyectos, a encontrar un equilibrio entre el detalle y la visión de conjunto, a gestionar los contratiempos, y a transmitir resultados. También he aprendido a enseñar en clases pequeñas o incluso de tú a tú. He aprendido a tutelar personas en diferentes niveles, desde niños hasta profesores. La investigación también me ha enseñado a motivar a las personas, a protegerlas de sus impulsos. En definitiva, la investigación te enseña mucho más que ciencia. Pero una cosa no quita la otra, también he aprendido un montón de nueva ciencia, vieja ciencia, mates, ingeniería y programación.
JGR: En el mundo de la investigación, publicar en una revista de impacto puede llegar a convertirse en una obsesión. ¿Qué opinas de esta presión por publicar?
BC: Como puede apreciarse con la creación de GeneDig y algunas de mis publicaciones en blogs, estoy bastante comprometido con el acceso al conocimiento gratuito. Tanto, que he intentado dar mi propia solución al problema. Imaginé cómo debería ser la difusión del conocimiento científico si se comenzara desde cero ahora, sin las cargas del pasado y el legado de las publicaciones en papel y las editoriales (en esta era moderna de internet, conectividad rápida, ancho de banda elevado, y los ejemplos ya bien establecidos como YouTube, Wikipedia y Reddit). Pensé que se asemejaría a una mezcla entre Wikipedia, YouTube e Instagram. Cada laboratorio y cada persona tendría su propio canal. Cada proyecto tendría una página dedicada que se actualiza en tiempo real. Los proyectos podrían ser públicos o privados. Algo digno de mención es que ya – por fin – es posible almacenar datos en la nube (verificados a través de una cadena de bloques), así como análisis de datos, y metaanálisis. Todo está disponible públicamente para todos en tiempo real. Avanzar en este sentido permitiría estandarizar experimentos entre laboratorios y países, hacer la ciencia más transparente y colaborativa, reducir el fraude, a acabar con el solapamiento en los avances y la pérdida de tiempo en la repetición de proyectos y experimentos con resultados negativos.
Ciertos proyectos podrían seguir siendo privados, y la comunidad científica podría seguir encargándose de la revisión por pares de forma constante y en directo. El conocimiento científico estaría finalmente democratizado. La buena ciencia sería recompensada, aunque su reconocimiento llegara décadas o siglos más tarde (hoy en día ya ocurre así de todas formas). El interés científico se mantendría por sí solo, sin juzgar el impacto, como ocurre con las entradas de Wikipedia. No estoy seguro sobre cómo se gestionarían la búsqueda de trabajo o los ascensos en este escenario, pero de todos modos estamos hablando de algo utópico. Creé una aplicación web que llamé Voxfer.org, pero luego me di cuenta de que no tenía suficiente tiempo ni recursos para perseguir mi visión de la pura libertad del conocimiento científico.
Sigo pensando que es una locura que los científicos se preocupen tanto por unas pocas letras en la cita de su trabajo, como “Anónimo et al., Generic Journal, 2021, Descubrimiento importante” versus “Anónimo et al., Vanity Journal, 2021, Descubrimiento importante”. Como si esto marcara la diferencia en el contenido del manuscrito. Al 99% de la gente que accede a publicaciones científicas no le importa en qué revista ha sido publicado el estudio, porque el 99% son asistentes, técnicos, jóvenes estudiantes, universitarios, periodistas, estudiantes de posgrado y postdocs. Todas estas personas superan numéricamente con creces a las personas que se preocupan por esto. Creo que los nuevos científicos sencillamente tratan de encontrar los artículos que les interesan, juzgan la ciencia según sus propios méritos por ejemplo en journal clubs, y no prestan atención a la revista porque al fin y al cabo todo está en línea. Incluso si un trabajo fuera publicado por la revista local PennySaver no me importaría, siempre y cuando fuera interesante para mí y la ciencia que contiene fuera buena (Anónimo et al., PennySaver, 2021, Descubrimiento importante). Desafortunadamente, también entiendo que es como un juego al que todos tenemos que jugar por ahora. Sin embargo, que la ciencia se vuelva transparente y gratuita es solo una cuestión de tiempo.
JGR: ¿Qué le diría a los futuros investigadores para mejorar la calidad de la investigación?
BC: Aprende de buenos científicos, haz preguntas y escucha. Considera siempre que no sabes mucho, y mantén siempre el interés por aprender. La arrogancia es la antítesis de la ciencia, y una vez que te vuelves arrogante dejas de aprender. Lee muchos artículos sobre diferentes temas. Asiste a muchos seminarios sobre distintos temas.
Otra forma de crecer es asistiendo a seminarios en tu campo de investigación. Escribe preguntas que te gustaría preguntar durante el evento para ver si encajan con las que los demás plantean tras las conferencias. Charla sobre lo que has escuchado con otros. Fíjate en la evolución de las preguntas a medida que asistes a varios seminarios, desde no entender la metodología, hasta otros giros curiosos, detalles puntillosos o críticos, o experimentos fundamentales (siempre manteniendo la idea principal del seminario en mente). Comprueba si tus preguntas requieren una interpretación diferente de los datos, un análisis diferente o un experimento completamente distinto, y cómo esto afectaría al panorama general. Este trabajo te ayudará a priorizar tu tiempo, energía y dinero y te permitirá centrarte en experimentos más importantes. Teóricamente, todos los son. Pero en el mundo real no es así, y algunos experimentos son más importantes que otros. Descubre cuáles te ayudarán a entender mejor tu hipótesis. Si durante los seminarios piensas en qué controles y qué experiencias están respondiendo a cada pregunta, mejorarás progresivamente la calidad de tu propia ciencia.
Definitivamente, es importante ser muy crítico, aprender mucho de los errores, falacias y descuidos en la ciencia. Pero creo que no hay necesidad de enfatizar esto, ya que la mayoría de los científicos ya son suficientemente puntillosos e hipercríticos, y algunos tienden a enorgullecerse siendo negativos y destructivos. Eso sí, es muy instructivo aprender de estas críticas, es tremendamente útil.
Algunos otros consejos prácticos: aunque es algo difícil, asegúrate de alternar continuamente entre los experimentos y el análisis de datos. El análisis debe guiar la siguiente etapa de experimentos. No esperes a apilar un montón de datos antes de estudiarlos. A los científicos nos encanta la parte experimental, y nos reconforta el hacer las cosas con nuestras propias manos. Pero que esto no sea un método de procrastinación de la parte analítica. La verdad es que yo disfruto con ambas partes, y es a menudo es durante el análisis cuando hago los descubrimientos. Deberías dedicarle al menos tantas horas a una parte como a la otra. Observa mucho los datos. E insisto, mucho. Obsesiónate con ellos. Yo aún lo hago. Deja que la ciencia y los datos te enseñen de biología.
Te voy a dar algunos ejemplos de los ejercicios que hacemos en mi laboratorio. Siempre ten claro el objetivo de cada experimento. Reflexiona sobre cuál sería el mejor resultado esperable, sobre cuál sería el peor, y cuál el más probable. Planea de antemano lo que harás en cada uno de los escenarios. Ten en mente que el peor caso a menudo no es un resultado negativo, sino un resultado difícil de interpretar o un resultado intermedio. Esos son los peores. Pero si sabes con suficiente tiempo de antemano lo que cada resultado puede enseñarte sobre tu hipótesis, comprenderás más profundamente tus proyectos. Lo bueno de este ejercicio es que son todo juegos mentales que te ayudan a mejorar en la ciencia y te ayudan a anticipar los siguientes pasos en tus proyectos. También trato de que mi laboratorio haga esto para planificar el resto de las cosas en la vida: pensar en los posibles resultados y en las posibles reacciones y próximos pasos para cada uno de ellos. Es un hábito muy útil y fácil de aplicar.
Otro ejercicio que hago en mi laboratorio o en nuestros journal clubs es examinar un proyecto o un experimento e imaginarlo como si tuviéramos tiempo, dinero y personal infinito. Pensamos en los posibles experimentos y controles que haríamos. Lo más importante, es pensar en cuáles son más pertinentes para responder a las preguntas planteadas por tu hipótesis. Es divertido porque puedes volverte loco soñando lo que podrías hacer con dinero ilimitado. Y al mismo tiempo puedes ver que hay ciertos puntos que ofrecen menor rendimiento y que algunos experimentos son más importantes que otros. También empiezas a comprender cual es la razón de ser de cada experimento, cuáles son sus puntos débiles, cómo de grandes son las lagunas y cómo esto afecta al panorama general. Además, es un ejercicio útil para ver cómo no son necesarios ensayos clínicos multimillonarios para probar lo que quieres probar.
Por otra parte, verás más claramente cómo algunos proyectos pueden ramificarse tanto que dejan de contestar a la pregunta central (incluso con recursos infinitos). Para terminar el ejercicio puedes seleccionar solo aquellos experimentos que harías en el laboratorio en el mundo real, con los límites de tiempo, dinero y personal. Una parte difícil del ejercicio es estimar de forma realista cuánto va a durar cada experimento, así como los recursos, etapas y subetapas que serían necesarias para llevarlos a cabo. La realidad es que la ciencia necesita mucho tiempo. En definitiva, es una actividad divertida que te permite ser creativo. ¿A quién no le encanta soñar con financiación infinita?
JGR: ¿Te gustaría compartir un mensaje general con los lectores?
BC: Lo primero, gracias por leer esto o por interesarte por lo que hago. Si he ayudado a una sola persona con mis extensas respuestas, aunque sea inconscientemente, para mi ya habrá merecido la pena.
Mi mensaje general para el lector es que no intente ser un buen científico, sino una buena persona. No trato de ser genérico. Lo que quiero decir es: aprende y desarrolla tantas competencias como puedas para ser útil para la sociedad o para alguien. No importa de qué competencias o de qué conocimiento se trate. Trata de ser bueno en algunas cosas, y aprende a defenderte en otras. Luego usa estas competencias o conocimiento para ayudar a alguien. Estarás muy agradecido de los resultados.
