Claude acelera descubrimientos científicos con IA | Keryc
Desde hace poco más de un año Claude se está transformando de asistente de texto a colaborador real en laboratorios. ¿Te imaginas que una herramienta te ayude a decidir qué experimentos correr, analizar montañas de datos y hasta proponer hipótesis que los humanos pasan por alto? Eso es justo lo que están contando varios equipos de investigación.
Claude como colaborador científico
Anthropic lanzó Claude for Life Sciences y luego mejoró el modelo con Opus 4.5, que registra avances en interpretación de figuras, biología computacional y comprensión de proteínas. Pero la noticia importante no es solo la potencia del modelo: es cómo los científicos lo están usando para acelerar trabajo que antes tomaba meses.
La compañía también apoya proyectos con el programa AI for Science, que ofrece créditos de API a investigadores con proyectos de alto impacto. Con eso, equipos de academia y la industria han construido sistemas que integran a Claude en todas las etapas del proceso científico, desde definir experimentos hasta analizar resultados a gran escala.
Biomni: juntar cientos de herramientas en un solo lugar
Un problema clásico en biología es la fragmentación de herramientas: bases de datos, paquetes de software y formatos distintos que consumen tiempo. Biomni, de Stanford, reúne cientos de recursos y permite que un agente potenciado por Claude navegue entre ellos con solicitudes en lenguaje natural.
Por ejemplo, un estudio GWAS que normalmente exige limpieza de datos, control de confusores y reconciliación con anotaciones biológicas puede tardar meses. En una prueba temprana, Biomni completó ese análisis en 20 minutos. Sí, suena sorprendente; por eso los equipos validaron el sistema con estudios ciegos: diseñó un experimento de clonación molecular con resultados comparables a un postdoc con cinco años de experiencia, y analizó cientos de archivos de sensores en minutos en vez de semanas.
Biomni no es infalible: incluye guardrails para detectar cuando Claude se sale del camino y permite que los expertos codifiquen su metodología como una "skill" para enseñar al agente cómo deben hacerse las cosas en contextos clínicos o diagnósticos.
MozzareLLM y Brieflow: automatizar la interpretación de pantallas genéticas
El laboratorio de Iain Cheeseman usa CRISPR para generar pantallas masivas: quitan genes y fotografían células para ver qué cambia. El procesamiento de imágenes y la agrupación de genes en clústeres lo hacía el software Brieflow, pero interpretar esos clústeres requería horas de lectura y criterio experto.
Matteo Di Bernardo creó MozzareLLM, un sistema con Claude que imita el proceso de interpretación de Cheeseman: identifica procesos biológicos compartidos en un clúster, distingue genes bien conocidos de los poco estudiados y asigna niveles de confianza. Resultado: análisis mucho más rápido y descubrimientos que el equipo humano había pasado por alto.
Un detalle que me gusta: MozzareLLM no solo da una respuesta, explica cuánto confía en ella. Esa transparencia ayuda a decidir si vale la pena invertir recursos en validación experimental.
Lundberg Lab: proponiendo qué genes estudiar antes de gastar en la pantalla
Algunos laboratorios tienen el cuello de botella antes: decidir qué genes incluir en una pantalla focalizada que puede costar más de 20,000 USD. El método tradicional es una hoja de cálculo con sugerencias humanas, que funciona pero es lento y sesgado por lo que ya se conoce.
La apuesta de Lundberg fue distinta: construyeron un mapa de todas las moléculas celulares y sus relaciones, y pidieron a Claude que proponga candidatos para estudiar según sus propiedades moleculares. Están probando el enfoque con genes relacionados a los cilios primarios, estructuras celulares poco estudiadas. Si Claude identifica más genes reales que el grupo humano o lo hace mucho más rápido, esto podría cambiar cómo se escogen objetivos en pantallas focalizadas.
¿Qué significa esto para la ciencia y para ti?
No estamos ante una bala mágica. Estos sistemas no reemplazan a los científicos, pero sí eliminan cuellos de botella: automatizan tareas repetitivas, proponen hipótesis y permiten que los expertos se concentren en validar y diseñar experimentos creativos.
También hay límites claros: los modelos pueden equivocarse, los resultados requieren validación experimental y hace falta integrar salvaguardas y métodos expertos cuando el contexto lo exige. Varios equipos muestran que combinar IA con conocimiento experto —enseñar procedimientos concretos al agente— es una práctica eficaz.
Mirando adelante
La tendencia es clara: cada nueva versión de los modelos trae mejoras que amplían las tareas que la IA puede apoyar. Lo que hace pocos años era resumen de papers y ayuda con código, hoy contribuye en el diseño experimental, análisis masivo y generación de candidatos para investigación.
¿Y ahora qué? La respuesta práctica es sencilla: los laboratorios que adopten estas herramientas con criterios rigurosos, medidas de validación y colaboración entre IA y expertos tendrán ventaja. Para el resto de nosotros, esto significa investigaciones más rápidas y, potencialmente, descubrimientos científicos que impacten salud, biotecnología y conocimiento básico en menos tiempo.