Anthropic presenta dos experimentos que muestran cómo Claude puede reducir el tiempo y la experiencia técnica necesarios para avanzar en investigación biomédica. El modelo diseñó proteínas capaces de unirse a objetivos biológicos y analizó datos de química experimental con resultados comparables a los de laboratorios especializados.
¿La diferencia? Claude no se limitó a responder preguntas. En uno de los casos coordinó modelos especializados, ejecutó ciclos de optimización y propuso candidatos para validación en laboratorio. En el otro, interpretó archivos instrumentales sin depender del software propietario del fabricante.
Claude diseña proteínas desde cero
Una proteína minibinder es una proteína pequeña diseñada para adherirse con alta precisión a otra proteína objetivo. Este tipo de unión es fundamental en muchas terapias, porque puede bloquear una señal, activar un proceso o transportar una molécula hacia un sitio específico.
Diseñar un binder desde cero, también llamado diseño de novo, suele requerir semanas o meses de trabajo entre simulaciones, selección de secuencias, predicción estructural y pruebas experimentales. Los modelos de aprendizaje automático han acelerado este proceso, pero normalmente necesitan una orquestación cuidadosa por parte de especialistas.
Anthropic evaluó a Claude Opus 4.8 y Mythos Preview en una campaña contra 15 objetivos. Los diseños fueron producidos computacionalmente y luego fabricados y probados de forma independiente por Adaptyv Bio y Twist Bioscience.
Los resultados principales fueron:
- Claude diseñó proteínas capaces de unirse a 14 de los 15 objetivos.
- Se produjeron 354 binders confirmados a partir de 1.320 diseños.
- La tasa general de éxito alcanzó 22,6% para Opus 4.8 y 26,7% para Mythos Preview en el modo multObjetivo.
- Mythos Preview llegó a 35,1% cuando trabajó con un objetivo individual en sesiones separadas.
- La tasa habitual de campañas de diseño de proteínas se sitúa alrededor de 10% a 15%.
La tasa de éxito, conocida como hit rate, indica qué proporción de los diseños termina mostrando unión real en el laboratorio. No significa que todos esos candidatos sean medicamentos, pero sí que superaron una etapa inicial que tradicionalmente consume mucho tiempo.
Resultados frente a objetivos difíciles
En el objetivo RBX1, Mythos Preview alcanzó una tasa de éxito del 40% en modo individual, frente al 3,7% observado entre participantes de una competición especializada. Además, su diseño mejor clasificado mostró una afinidad superior a la del diseño ganador de ese concurso.
La afinidad mide qué tan fuerte se une una proteína a su objetivo. Una afinidad alta puede permitir dosis menores y, potencialmente, reducir efectos secundarios y costos de fabricación. Aun así, es solo una de las propiedades que debe cumplir una molécula antes de convertirse en un tratamiento.
Claude Opus 4.8 también logró diseñar binders contra TNF alfa, un objetivo complejo relacionado con la inflamación y la base biológica de medicamentos como Humira. Algunos de esos diseños se unieron a versiones humanas, de ratón y de macaco, una característica útil para planificar estudios preclínicos.
El resultado también deja una lección interesante: el modelo que suele ser más capaz en términos generales no siempre gana en cada objetivo específico. Mythos Preview falló contra TNF alfa, mientras Opus 4.8 tuvo éxito. En tareas científicas complejas, el rendimiento depende de la estructura del problema y no solo de una clasificación general del modelo.
Claude produjo además 15 binders confirmados con al menos 20% de estructura de tipo hoja beta. Estas estructuras son más difíciles de diseñar que las hélices alfa, porque requieren alinear correctamente cadenas de aminoácidos y pueden plegarse mal o agregarse.
Sin embargo, el sistema no resolvió todos los desafíos. Contra MBP no confirmó ningún binder entre 90 diseños, aunque uno mostró una señal débil y reproducible. Frente a BBF-14 sí produjo tres binders independientes, pero con afinidades más modestas.
Una campaña autónoma con modelos especializados
Para realizar el diseño, Claude operó herramientas públicas de diseño de estructuras, generación de secuencias, plegamiento y evaluación de complejos proteína-proteína. También ejecutó ciclos de optimización y filtró candidatos según criterios como diversidad, solubilidad y capacidad prevista de expresión.
Anthropic dejó el sistema trabajando con una intervención humana mínima. Los investigadores aprobaron accesos de infraestructura y supervisaron que las sesiones continuaran activas, pero no proporcionaron instrucciones científicas adicionales después del inicio.
En el modo multObjetivo, los modelos trabajaron durante 48 horas y utilizaron hasta 12.500 horas de cómputo en GPU NVIDIA H100. En el modo de objetivo individual, Mythos Preview dispuso de sesiones de 24 horas y hasta 2.500 horas H100 por objetivo.
Esto no equivale a automatizar el desarrollo completo de un medicamento. Un binder prometedor todavía debe pasar por pruebas de estabilidad, toxicidad, farmacología, inmunogenicidad, manufactura y eficacia. La contribución de Claude ocurre principalmente en una fase temprana: encontrar candidatos experimentales con mayor rapidez.
Diseñar un binder es el comienzo de un proceso terapéutico, no la confirmación de que existe un nuevo fármaco.
Claude analiza datos de NMR y LC-MS
El segundo experimento se enfocó en una tarea menos llamativa, pero muy frecuente en química sintética: confirmar la identidad y la pureza de una molécula.
Los químicos suelen usar espectroscopia de resonancia magnética nuclear, o NMR, para comprobar la estructura de un compuesto. El espectro contiene picos asociados con átomos de hidrógeno. Su posición ayuda a determinar el entorno químico de cada átomo, mientras que su tamaño indica cuántos hidrógenos representa.
También utilizan cromatografía líquida acoplada a espectrometría de masas, conocida como LC-MS. Esta técnica separa los componentes de una muestra, estima cuánto hay de cada uno y mide la masa molecular de las sustancias detectadas.
El instrumento puede generar los datos en pocos minutos, pero interpretar los archivos suele ser la parte lenta. Además, cada fabricante puede utilizar formatos propietarios que requieren software especializado.
Anthropic entregó a Claude Opus 5 los archivos sin procesar de un laboratorio contratado y una instrucción de apenas dos frases. Sin utilizar el programa del fabricante ni contar con un operador humano, Claude procesó los archivos en paralelo:
- Terminó el análisis de NMR en 23 minutos.
- Procesó los datos de LC-MS en 19 minutos.
- Identificó 18 picos en el espectro de NMR y calculó el número de hidrógenos correspondiente a cada uno.
- Estimó una pureza de 96,4%, frente al 96,33% calculado por el laboratorio.
- Mantuvo los conteos de hidrógeno dentro de una diferencia de 0,08 unidades respecto al análisis profesional.
Claude también identificó cuatro picos amplios que probablemente correspondían a hidrógenos unidos a nitrógeno u oxígeno. Después propuso una comprobación con agua pesada, un procedimiento que puede hacer que esas señales disminuyan o desaparezcan.
En una primera lectura, el modelo afirmó que los cuatro picos habían desaparecido. Sin embargo, al revisar sus propios cálculos detectó que solo dos habían desaparecido y corrigió la interpretación. El resultado final coincidió con la conclusión independiente del laboratorio.
Ingeniería inversa de un archivo propietario
El análisis de LC-MS presentó un reto adicional: el formato del archivo no estaba documentado públicamente. Claude dedujo cómo estaban codificados los datos y verificó su interpretación reproduciendo los totales registrados por el propio instrumento en 2.664 mediciones.
Después generó los resultados habituales para un químico: el trazado de separación, los espectros de masa y ultravioleta, una tabla de pureza, la masa molecular estimada y código reutilizable para leer archivos similares.
También incluyó advertencias sobre las limitaciones del resultado. Por ejemplo, señaló que ese tipo de instrumento solo determina la masa con una precisión aproximada de una unidad. Esta capacidad de reportar incertidumbre es tan importante como entregar una cifra final.
El laboratorio tardó cuatro días en entregar el informe completo. Claude produjo su reporte en aproximadamente 25 minutos. La comparación no significa que el modelo deba reemplazar la revisión experta, pero sí apunta a una automatización práctica de tareas repetitivas y verificables.
Qué cambia para la investigación científica
Los dos casos representan extremos distintos del trabajo de laboratorio. En el diseño de proteínas, Claude coordinó herramientas especializadas para crear moléculas que luego fueron fabricadas y probadas. En química analítica, interpretó mediciones de moléculas ya existentes y produjo un informe reproducible.
La ventaja principal no es que la IA elimine la necesidad de científicos. Es que puede reducir el tiempo dedicado a tareas de búsqueda, procesamiento y análisis, permitiendo que los expertos se concentren en decidir qué experimentos importan y cómo interpretar sus resultados.
Para quienes trabajan en biotecnología, esto puede significar más candidatos evaluados por campaña. Para un laboratorio pequeño, puede reducir la dependencia de software especializado. Y para investigadores no expertos en programación, abre la posibilidad de trabajar con datos científicos complejos mediante instrucciones en lenguaje natural.
Pero el riesgo también es real. El diseño de proteínas es una capacidad de uso dual: puede contribuir al desarrollo de terapias, pero también facilitar investigaciones biológicas peligrosas si cae en manos equivocadas. Anthropic mantiene bloqueadas estas funciones en sus modelos más avanzados de acceso general y plantea programas de acceso controlado para científicos.
La verificación experimental seguirá siendo indispensable. Un modelo puede proponer una estructura, procesar un espectro o encontrar un patrón, pero la ciencia necesita controles, replicación, revisión independiente y protocolos de seguridad. La velocidad solo es una ventaja cuando la calidad y la trazabilidad se mantienen.
Claude muestra aquí una dirección concreta para la IA científica: no únicamente conversar sobre descubrimientos, sino ejecutar flujos de trabajo completos, utilizar herramientas técnicas, revisar sus propios errores y entregar resultados que puedan ser comprobados. La próxima etapa será determinar hasta dónde puede extenderse esa autonomía sin sacrificar la supervisión que hace confiable a la ciencia.
Fuente original
https://www.anthropic.com/research/Claude-accelerates-protein-design