Crédito: adaptado de Getty
Poco después de que el presidente de los Estados Unidos, Donald Trump, llegó al cargo en enero, su administración comenzó a reducir los fondos para la investigación científica en áreas que considera relacionadas con las ideologías 'despertadas'. Las subvenciones relacionadas con la atención médica transgénero, la diversidad, la equidad y la inclusión (DEI) y las disparidades de salud en los grupos minoritarios han sido algunas de las más específicas.
Es imposible saber cuál será el impacto de estos recortes en la ciencia del futuro: la investigación que podría haber surgido pero que ahora no existirá. La administración argumentaría que es algo bueno; Los dólares de impuestos ya no se gastan en proyectos que considera antitéticos a la forma de vida de los Estados Unidos.
Un análisis de aprendizaje automático por el índice del índice de naturaleza intenta dar una idea del valor de la investigación que podría haberse perdido, tratando de reproducir la lógica que los Institutos Nacionales de Salud (NIH) usaron para cancelar subvenciones, luego aplicando ese método a la ciencia que estaba en la tubería hace alrededor de diez años.
El aprendizaje automático revela posibles consecuencias de los recortes para la investigación de los Estados Unidos.
Por supuesto, existen limitaciones para las ideas que tal análisis puede proporcionar. Hace una década, la ciencia se hizo en un contexto político diferente: es imposible saber qué otorga la administración Trump habría cancelado si estuviera en el poder en ese entonces. El modelo utilizado también fue entrenado en una cantidad relativamente pequeña de datos y simplemente considera patrones y asociaciones en subvenciones canceladas este año.
Sin embargo, el trabajo sugiere que una ciencia altamente impactante, desde los avances en el mapeo del genoma humano hasta las técnicas de detección de cáncer que salvan vidas, podría haber corrido el riesgo de no ser financiado si hubiera seguido un proceso similar hace una década.
El método exacto que la administración Trump ha utilizado para identificar qué investigación otorga cancelar es un misterio. Pero, sin embargo, se han tomado las decisiones, los recortes han sido profundos, por lo que hasta al menos US $ 4 mil millones hasta ahora de los NIH y la National Science Foundation (NSF), los dos mayores financiadores federales de investigación en los Estados Unidos.
Muchas de estas cancelaciones han sido rastreadas por Grant Witness, un sitio web creado para este propósito. En general, se han centrado en investigaciones relacionadas con temas sobre DEI, equidad racial y estudios de género, aunque otros tramos de cancelaciones han dirigido instituciones, como la Universidad de Harvard en Cambridge, Massachusetts. Subvenciones relacionadas con otros temas pero se les otorgó Como parte de una iniciativa de justicia racial o de igualdad.
Para las subvenciones canceladas sobre la base de su tema de investigación, los investigadores de Bibliometría han sugerido que la administración distribuyó una lista de aproximadamente 200 palabras o frases, incluidas 'transgénero', 'dei' y 'disparidades', que indican automáticamente las otorgas para revisar. Se ha distribuido una lista similar a los departamentos federales y estos términos se han eliminado de mensajes y sitios web, según lo informado por Thmi New York Times en marzo.
Se pueden encontrar más pistas en una cuenta dada por un ex empleado del Departamento de Eficiencia del Gobierno (DOGE), el organismo establecido por la administración Trump para reducir el gasto público visto como excesivo. El empleado dijo el sitio web de investigación ProPublica en junio que había usado inteligencia artificial generativa (IA) para evaluar los contratos de cancelación en el Departamento de Asuntos de Veteranos de los Estados Unidos.
A escala
La falta de una metodología transparente para identificar subvenciones para la revisión fue discutido en una audiencia en la corte de junioen el que un juez federal ordenó al gobierno que restaurara algunas de las subvenciones canceladas (ese fallo ha sido reemplazado por un Decisión de la Corte Suprema Eso permite que los cortes sigan adelante).
«Creo que lo que pudo haber estado sucediendo es que alguien, no un científico, estaba sentado detrás de su computadora y buscando palabras clave que no les gustaron», dice Scott Delaney, un investigador de salud ambiental y uno de los fundadores de Grant testigo. Luego estaban cancelando subvenciones sin tener en cuenta la investigación involucrada o el impacto que podría tener la subvención, agrega. Hasta la semana pasada, Delaney trabajó en Harvard, pero ahora ha renunciado debido al impacto de las cancelaciones en su investigación.
Índice de la naturaleza 2025 líderes de investigación
En un intento por reproducir la metodología para identificar las subvenciones de los NIH para reducir, el equipo editorial de Nature Index trabajó con científicos de datos en Nature Research Intelligence, que administra la base de datos de Nature Index. La idea era capacitar un algoritmo de aprendizaje automático utilizando información sobre subvenciones canceladas de la base de datos de reporteros de NIH, la base de datos de dimensiones de la ciencia digital y el testigo de Grant. (El equipo editorial de Nature Index es editorialmente independiente de Nature Research Intelligence, que forma parte de Springer Nature).
El modelo de aprendizaje automático analizó las palabras clave en los títulos y resúmenes de subvenciones canceladas que figuran en el testigo de Grant para tener una idea de qué tipo de subvención se dirigieron (ver Información complementaria para la metodología). También consideró el tamaño de la subvención y cuánto del período de financiación quedó.
Después de la capacitación y la evaluación, eliminamos los datos de capacitación y aplicamos el modelo a todas las subvenciones activas de NIH enumeradas en la base de datos de dimensiones al comienzo del año, asignando a cada uno un riesgo predicho de cancelación sobre la base de estas características. Predijo con una precisión general del 90%: nueve de cada diez veces, predijo correctamente si una subvención fue o no se canceló. De las subvenciones que sabemos fueron canceladas, predijo correctamente la cancelación del 70% del tiempo.
Según el modelo, las frases y palabras que tenían más probabilidades de conducir a la cancelación incluyeron 'atención de afirmación de género', 'macho asignado al nacer', 'atención afirmativa', 'justicia racial', 'LGBTQ' y 'discurso de odio'.
Historia en la fabricación
Para tener una idea de cómo tales recortes pueden afectar la ciencia, aplicamos el modelo a las subvenciones de NIH que estaban activas en 2014. Luego identificamos los documentos que fueron financiados por esas subvenciones y las clasificamos por la cantidad de citas que habían acumulado (ver 'esfuerzo perdido' e información complementaria).
El algoritmo encontró 1,287 subvenciones, con un valor de $ 1.9 mil millones, que se consideró probable que se cancele, de un total de alrededor de 48,000. Alrededor de 53,000 publicaciones están relacionadas con esas subvenciones marcadas. Aunque las subvenciones estaban activas en 2014, algunas habían comenzado varios años antes, y por lo tanto, muchos de los documentos asociados se publicaron antes de 2014. La subvención más antigua, para capacitar a los postdocs en neurociencia traslacional, comenzó en 1977, y algunos de los documentos se remontan a 2002.
Los resultados muestran el daño que recorta la financiación puede hacer para la investigación y la naturaleza impredecible del proceso de investigación. Aunque el modelo fue entrenado en subvenciones que se cancelaron aparentemente por razones ideológicas, los documentos que se produjeron en subvenciones similares que estaban activas en 2014 no se trataban de inequidades en salud o salud transgénero. Más bien, abarcaron una amplia gama de campos y temas de investigación.
Por ejemplo, una subvención que el modelo predicho habría sido cancelado, en parte sobre la base de sus repetidas menciones de «diversidad», condujo a un documento1 Eso describió una técnica de software para ayudar a los investigadores de la genética a identificar las quimeras, secuencias de ADN que pueden confundir los análisis de grandes grupos de material genético. El documento se encontraba entre los más citados en el análisis, con 10,400 citas.
«Es bastante común en biología que los métodos bastante aburridos sean más citados que los documentos de descubrimiento importantes. Todos necesitan tubos de ensayo y pipetas», según Robert Edgar, un científico independiente y autor principal del documento de Chimera.
Otros estudios altamente citados que podrían no haber existido si su subvención hubiera sido cancelada incluyen un documento seminal que muestra los resultados del proyecto de microbioma humano2el resultado de un paquete de $ 10 millones durante cinco años para aumentar la comprensión del microbioma humano. El trabajo probablemente fue marcado por el algoritmo porque tres de sus subvenciones de apoyo hicieron referencia a la diversidad de poblaciones genéticas.
«¡Es todo nuestro campo! Maldita sea», dice Ruth Ley, una de las coautores del documento humano-microbioma y ahora directora del Departamento de Ciencias de Microbioma de la Universidad de Tübingen en Alemania.
«Esa subvención en particular era una gran cosa multicéntrica, pero tuvo increíbles efectos de goteo», dice ella. «El proyecto de microbioma humano fue un consorcio enorme: cualquiera que quisiera trabajar con los datos podría».
Esto significaba, dice Ley, que necesitaban construir un proceso de estandarización sobre cómo se compartían y almacenaban los datos, qué técnicas de análisis se usaron y cómo se escribieron y publicaron los documentos, todo financiado por esa subvención. «Lo que salió de eso para todo el campo fue cómo deberíamos estar haciendo estas cosas», dice ella.
«No habría sucedido sin esa subvención. De ninguna manera. De ninguna manera».
Impacto más amplio
Otra subvención marcada por el modelo fue una que, en 2009, financió el funcionamiento a largo plazo del Instituto de Ciencias Clínicas y Translacionales, parte de la Universidad de California, Los Ángeles (UCLA), por una suma de $ 57 millones. El Instituto tiene como objetivo capacitar a los científicos clínicos para administrar estudios y, en última instancia, llevar la investigación a la atención médica. El modelo encontró palabras clave en la subvención, como la 'expresión', que aumentaron las posibilidades de cancelación, al igual que el tamaño de la subvención.
El instituto produjo más de 3.000 publicaciones. Entre los más citados de ellos, con 9.674 citas, se encontraba un estudio de 20113 Eso encontró que la detección del cáncer de pulmón con tomografía computarizada (TC) de dosis bajas era más efectivo que el uso de la radiografía convencional y las tasas de mortalidad reducidas en un 20%.
