A Anthropic afirma que os seus modelos Claude podem agora conceber ligantes de proteínas a partir do zero, tão bem como - ou melhor do que - os principais especialistas humanos, um resultado que a empresa validou em laboratórios húmidos e publicou num post de investigação na segunda-feira que marca uma das demonstrações mais claras de que a IA acelera a descoberta científica real.
As descobertas vêm de dois experimentos. No primeiro, a Anthropic testou a capacidade de Claude de projetar ligantes de proteínas – pequenas proteínas projetadas para se fixarem firmemente às proteínas alvo – uma tarefa que historicamente leva semanas ou meses para um especialista humano por alvo e que está no cerne do design moderno de medicamentos. Para mais contexto sobre esta história, confira nossa cobertura da indústria de IA.
Superando os benchmarks
Trabalhando com avaliadores externos Adaptyv Bio e Twist Bioscience, que produziram e testaram de forma independente os designs de Claude no laboratório, a Anthropic realizou uma campanha de design multi-braço contra 15 alvos proteicos. Claude teve sucesso contra 14 deles, produzindo 354 fichários confirmados de 1.320 designs. Isso por si só representa uma adição significativa ao corpus público de designs de proteínas de novo: as duas maiores coleções existentes, observou a Anthropic, juntas contêm cerca de 770 ligantes de 5.700 designs contra 40 alvos.
As taxas de acerto foram o que chamaram a atenção dos biólogos. O modelo Mythos Preview da Anthropic alcançou uma taxa de acerto geral de 26,7% ao projetar contra todos os alvos simultaneamente em uma sessão de 48 horas, com Claude Opus 4,8 logo atrás com 22,6%. As taxas de acerto típicas em campanhas de design de proteínas hoje variam de 10 a 15%, observou a empresa. Quando o Mythos Preview focou em um alvo por vez em múltiplas sessões de 24 horas, sua taxa de acerto subiu para 35,1%. A campanha baseou seus alvos em benchmarks que são estudados extensivamente — incluindo todo o conjunto BenchBB da Adaptyv Bio — além de dois novos alvos, 15-PGDH e GDF-8, escolhidos especificamente para garantir que Claude não pudesse se basear em sucessos pré-registrados a partir de seus dados de treinamento. Para cada um dos 15 alvos, os pesquisadores pediram a Claude que projetasse 30 ligantes de proteínas.
Nas metas de concorrência individuais, as margens eram ainda maiores. Contra RBX1, uma proteína envolvida na degradação de proteínas direcionadas, o Mythos Preview no modo de alvo único alcançou uma taxa de acerto de 40% – em comparação com 3,7% entre participantes humanos na mesma competição – e seu design mais bem classificado superou o design humano vencedor em afinidade de ligação.
Houve falhas instrutivas. Uma proteína de barril beta projetada de novo chamada BBF-14 e a proteína de ligação à maltose (MBP) permaneceram fora de alcance, alvos cuja novidade e superfícies lisas e flexíveis deixam um aglutinante pouco para se agarrar. E, surpreendentemente, foi o Opus 4.8 – e não o mais poderoso Mythos Preview – que teve sucesso no TNFα, um alvo notoriamente difícil cujo bloqueio está subjacente a algumas das drogas mais vendidas alguma vez fabricadas, incluindo o Humira.
Um pesquisador autônomo
Talvez o mais surpreendente seja o pouco envolvimento humano que a campanha exigiu. Após uma solicitação inicial, a Anthropic afirma que não forneceu orientação científica, técnica ou operacional adicional. Claude escolheu onde projetar cada proteína, gerou estruturas e sequências candidatas orquestrando projetos de proteínas especializadas publicamente disponíveis e modelos de co-dobramento, e executou a campanha de ponta a ponta - trabalho que pode levar semanas para um operador humano.
O esforço consumiu até 12.500 horas de computação NVIDIA H100 para a execução de vários destinos e até 2.500 horas de H100 por destino no modo de destino único. Claude até produziu 15 fichários confirmados contendo uma estrutura significativa de folha beta, uma dobra que é mais difícil de projetar do que os pacotes de hélice alfa padrão para a maioria das ferramentas computacionais.
Do projeto de moléculas à leitura de dados brutos
O segundo experimento testou um gargalo diferente e mais mundano: a química analítica. Cada vez que um químico fabrica uma molécula, ele deve confirmar o que ela é e quão pura é, usando espectroscopia de ressonância magnética nuclear (RMN) e cromatografia líquida – espectrometria de massa (LC-MS). Interpretar esses arquivos é um trabalho manual meticuloso.
Fornecido apenas com arquivos de instrumentos brutos de um laboratório contratado e um prompt curto em linguagem simples - sem software de fornecedor, sem operador - Claude Opus 5 retornou resultados de NMR e LC-MS totalmente processados em 23 e 19 minutos, respectivamente, trabalhando em paralelo. Seus resultados corresponderam à análise do próprio laboratório. Ao longo do caminho, o modelo fez engenharia reversa em um formato de arquivo de fornecedor não documentado, verificou sua leitura em relação aos totais registrados do instrumento para todas as 2.664 varreduras e propôs o experimento de acompanhamento exato – uma verificação de água pesada – que o laboratório contratado havia executado de forma independente três dias depois.
A Anthropic diz que a execução também demonstrou julgamento científico genuíno, não apenas automação, e observa que um químico normalmente precisa de meia hora a uma hora por amostra para esse tipo de análise.
Segurança em primeiro lugar
A empresa foi explícita sobre as implicações da dupla utilização. As mesmas capacidades de investigação autónoma que poderiam acelerar as terapias humanas poderiam, sem salvaguardas robustas, permitir pesquisas perigosas, como o desenvolvimento de armas biológicas, alertou a Anthropic. As tarefas de investigação em ciências da vida estão atualmente bloqueadas no seu modelo mais capaz, e a empresa afirma que está a preparar um programa de acesso confiável para cientistas – uma das suas maiores prioridades. Enquanto isso, Claude Opus 5 continua sendo seu modelo mais capaz disponível em geral.
A Anthropic compartilhou os prompts usados para as campanhas junto com todos os dados in vitro e in silico gerados – uma medida de transparência que permitirá que laboratórios externos verifiquem as afirmações. Para uma área que ainda separa o entusiasmo dos resultados, a postagem oferece algo raro: evidências validadas em laboratório de que um modelo de IA de uso geral pode realizar, em horas, o trabalho que antes definia a carreira de um especialista.
---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
