Anthropic dice que sus modelos Claude ahora pueden diseñar aglutinantes de proteínas desde cero tan bien como (o mejor que) los principales expertos humanos, un resultado que la compañía validó en laboratorios húmedos y publicó en una publicación de investigación el lunes que marca una de las demostraciones más claras hasta ahora de cómo la IA acelera el descubrimiento científico real.
Los hallazgos provienen de dos experimentos. En el primero, Anthropic probó la capacidad de Claude para diseñar aglutinantes de proteínas (pequeñas proteínas diseñadas para adherirse firmemente a las proteínas objetivo), una tarea que históricamente lleva a un especialista humano semanas o meses por objetivo y que se encuentra en el corazón del diseño de fármacos moderno. Para más contexto sobre esta historia, consulta nuestra últimos avances en IA.
Superando los puntos de referencia
Trabajando con evaluadores externos Adaptyv Bio y Twist Bioscience, que produjeron y probaron de forma independiente los diseños de Claude en el laboratorio, Anthropic llevó a cabo una campaña de diseño de brazos múltiples contra 15 objetivos proteicos. Claude tuvo éxito contra 14 de ellos, produciendo 354 carpetas confirmadas a partir de 1.320 diseños. Eso por sí solo representa una adición significativa al corpus público de diseños de proteínas de novo: las dos colecciones más grandes existentes, señaló Anthropic, contienen en conjunto aproximadamente 770 aglutinantes de 5.700 diseños contra 40 objetivos.
Las tasas de éxito son lo que llamó la atención de los biólogos. El modelo Mythos Preview de Anthropic logró una tasa de acierto general del 26,7% al diseñar contra todos los objetivos simultáneamente en una sesión de 48 horas, con Claude Opus 4.8 muy cerca con un 22,6%. Las tasas de éxito típicas en las campañas de diseño de proteínas hoy en día oscilan entre el 10 y el 15%, señaló la compañía. Cuando Mythos Preview se centró en un objetivo a la vez en múltiples sesiones de 24 horas, su tasa de aciertos aumentó al 35,1%. La campaña extrajo sus objetivos de puntos de referencia que se estudian ampliamente, incluido todo el conjunto BenchBB de Adaptyv Bio, además de dos objetivos novedosos, 15-PGDH y GDF-8, elegidos específicamente para garantizar que Claude no pudiera confiar en los éxitos pregrabados de sus datos de entrenamiento. Para cada uno de los 15 objetivos, los investigadores pidieron a Claude que diseñara 30 aglutinantes de proteínas.
En cuanto a los objetivos de competencia individuales, los márgenes eran aún más amplios. Contra RBX1, una proteína involucrada en la degradación específica de proteínas, Mythos Preview en modo de objetivo único logró una tasa de acierto del 40% (en comparación con el 3,7% entre los participantes humanos en la misma competencia) y su diseño mejor clasificado superó al diseño humano ganador en afinidad de unión.
Hubo fracasos instructivos. Una proteína de barril beta diseñada de novo llamada BBF-14 y una proteína de unión a maltosa (MBP) permanecieron fuera de su alcance, objetivos cuya novedad y superficies suaves y flexibles dejan poco aferramiento al aglutinante. Y, sorprendentemente, fue Opus 4.8 -no el más poderoso Mythos Preview- el que tuvo éxito con el TNFα, un objetivo notoriamente difícil cuyo bloqueo subyace a algunos de los medicamentos más vendidos jamás fabricados, incluido Humira.
Un investigador autónomo
Quizás lo más sorprendente es la poca participación humana que requirió la campaña. Después de una indicación inicial, Anthropic dice que no proporcionó orientación científica, técnica u operativa adicional. Claude eligió en qué parte de cada proteína diseñar, generó estructuras y secuencias candidatas orquestando modelos de coplegado y diseño de proteínas especializados disponibles públicamente, y ejecutó la campaña de principio a fin, un trabajo que puede llevar semanas a un operador humano.
El esfuerzo consumió hasta 12 500 horas de computación NVIDIA H100 para la ejecución de múltiples objetivos y hasta 2500 horas H100 por objetivo en el modo de objetivo único. Claude incluso produjo 15 carpetas confirmadas que contienen una importante estructura de hoja beta, un pliegue que es más difícil de diseñar que los paquetes de hélice alfa que presentan por defecto la mayoría de las herramientas computacionales.
Del diseño de moléculas a la lectura de datos sin procesar
El segundo experimento probó un cuello de botella diferente y más mundano: la química analítica. Cada vez que un químico fabrica una molécula, debe confirmar qué es y qué tan pura es mediante espectroscopia de resonancia magnética nuclear (RMN) y cromatografía líquida-espectrometría de masas (LC-MS). Interpretar esos archivos es un trabajo manual minucioso.
Con solo los archivos de instrumentos sin procesar de un laboratorio contratado y un breve mensaje en lenguaje sencillo (sin software de proveedor ni operador), Claude Opus 5 arrojó resultados de RMN y LC-MS completamente procesados en 23 y 19 minutos respectivamente, trabajando en paralelo. Sus resultados coincidieron con el propio análisis del laboratorio. En el camino, el modelo realizó ingeniería inversa a un formato de archivo de proveedor indocumentado, verificó su lectura con los totales registrados por el instrumento para los 2.664 escaneos y propuso el experimento de seguimiento exacto (una verificación exhaustiva) que el laboratorio contratado había ejecutado de forma independiente tres días después.
Anthropic dice que la prueba también demostró un juicio científico genuino, no solo automatización, y señala que un químico normalmente necesita entre media hora y una hora por muestra para este tipo de análisis.
La seguridad es lo primero
La empresa fue explícita sobre las implicaciones del doble uso. Las mismas capacidades de investigación autónoma que podrían acelerar las terapias humanas podrían, sin salvaguardias sólidas, permitir investigaciones peligrosas como el desarrollo de armas biológicas, advirtió Anthropic. Las tareas de investigación en ciencias biológicas están actualmente bloqueadas en su modelo más capaz, y la compañía dice que está preparando un programa de acceso confiable para científicos, una de sus principales prioridades. Mientras tanto, Claude Opus 5 sigue siendo su modelo más capaz disponible en general.
Anthropic ha compartido las indicaciones utilizadas para las campañas junto con todos los datos in vitro e in silico generados, una medida de transparencia que permitirá a laboratorios externos verificar las afirmaciones. Para un campo que todavía separa el entusiasmo de los resultados, la publicación ofrece algo poco común: evidencia validada en laboratorio de que un modelo de IA de propósito general puede realizar, en horas, el trabajo que alguna vez definió la carrera de un especialista.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
