Anthropic afirma que Claude optimizó más de 30 modelos de inteligencia artificial usados en biología molecular en menos de cuatro semanas. Los resultados reducen el tiempo de inferencia aproximadamente 4 veces en promedio y permiten analizar sistemas biomoleculares mucho más grandes con una sola máquina equipada con GPU.
La noticia importa porque la predicción y el diseño de proteínas suelen exigir grandes cantidades de memoria, tiempo de cómputo y experiencia especializada. ¿Qué cambia cuando esas barreras bajan? Más investigadores pueden experimentar con moléculas relacionadas con enfermedades, fármacos y procesos celulares complejos.
Claude optimiza modelos de biología molecular
Los modelos de estructura biomolecular intentan predecir la forma tridimensional de una proteína, un complejo molecular o una combinación de proteínas y otras moléculas a partir de sus componentes. En el diseño de proteínas, el objetivo se invierte: crear una molécula con una función específica.
Estas herramientas se utilizan en investigación farmacéutica, desarrollo de tratamientos y estudio de enfermedades. Sin embargo, muchos modelos de código abierto requieren una infraestructura costosa para funcionar con rapidez.
Anthropic trabajó con Claude para optimizar más de 30 modelos dedicados a tareas como:
- Predicción de estructuras biomoleculares.
- Diseño de proteínas.
- Modelos de lenguaje para proteínas.
- Análisis genómico.
Según la compañía, las optimizaciones aceleraron estas tareas aproximadamente 4 veces con una pérdida mínima de precisión. Cuando se exigieron resultados idénticos a los originales, la mejora fue cercana a 2 veces.
La diferencia no está solo en hacer que un modelo responda más rápido. También consiste en reducir los recursos necesarios para que más laboratorios puedan utilizarlo.
El papel de FlashPairformer
Una parte importante del trabajo se concentró en dos operaciones utilizadas por modelos como AlphaFold3, OpenFold3 y Boltz-2: triangle attention y triangle multiplication.
Estas operaciones ayudan a representar la geometría de un sistema biomolecular, pero son muy costosas. Su consumo de tiempo y memoria crece de forma cúbica con el tamaño del sistema. En términos simples, duplicar el número de elementos puede multiplicar por ocho el costo computacional.
Para enfrentar este problema, Anthropic y Claude desarrollaron FlashPairformer, un conjunto de kernels personalizados para GPU. Un kernel es una pieza de software de bajo nivel que permite ejecutar operaciones de manera más eficiente en hardware especializado.
Anthropic asegura que FlashPairformer superó las implementaciones de referencia del sector con mejoras de entre 2,7 y 2,9 veces en triangle attention, y de entre 1,7 y 3,2 veces en triangle multiplication, según la configuración del modelo.
Además de estos kernels reutilizables, Claude introdujo optimizaciones específicas para cada modelo. Entre ellas estuvieron el almacenamiento temporal de cálculos repetidos y la eliminación de ramas de código que siempre producían el mismo resultado.
La compañía verificó que las versiones aceleradas conservaran el rendimiento en las tareas finales, como la predicción de estructuras. Ese detalle es fundamental: una respuesta más rápida no sirve si pierde precisión biológica relevante.
Sistemas biomoleculares de mayor tamaño
Anthropic también pidió a Claude que redujera el uso de memoria. El resultado fue un modo llamado Big, diseñado para trabajar con sistemas de más de 10.000 tokens en una sola máquina con GPU NVIDIA.
En este contexto, un token no representa necesariamente una palabra. Puede corresponder a aminoácidos, nucleótidos, átomos de moléculas pequeñas o iones. Por eso, la cantidad de tokens funciona como una medida aproximada del tamaño y la complejidad del sistema molecular.
Con el modo Big, Anthropic reporta predicciones exitosas para estructuras como:
- El complejo mitocondrial I humano.
- El complejo chaperón TRiC.
- Un proteasoma.
- Un ribosoma bacteriano.
Algunas de estas estructuras superan los 10.000 tokens y, según la empresa, coinciden estrechamente con sus estructuras determinadas experimentalmente. Como referencia, un ribosoma 40S predicho correctamente por AlphaFold3 tenía 7.663 tokens.
Claude también generó predicciones de cápsides virales y compartimentos proteicos de entre más de 31.000 y más de 70.000 tokens utilizando una máquina con ocho GPU NVIDIA B300. Estas estructuras no fueron predichas correctamente, algo que Anthropic atribuye en parte a que su tamaño supera ampliamente el contexto con el que fueron entrenados los modelos.
Aun así, el experimento muestra que el límite de memoria para intentar estos cálculos se redujo de manera considerable. El siguiente desafío será mejorar la precisión, no solo hacer posible la inferencia.
Diseño de proteínas con menos cómputo
Anthropic comparó este trabajo con un experimento anterior de diseño de proteínas. En aquella ocasión, Claude podía utilizar hasta 10.000 dólares en infraestructura de Modal por objetivo, equivalentes a unas 2.500 horas de GPU NVIDIA H100.
En la nueva prueba, un único modelo recibió acceso a una GPU NVIDIA H200 durante 24 horas. Utilizó un prompt de aproximadamente 1.100 palabras, herramientas preinstaladas y no contó con subagentes ni dirección humana durante el diseño.
La evaluación incluyó tres modelos de Claude y 16 objetivos. Anthropic utilizó ipSAE, una métrica computacional asociada con la probabilidad de que un diseño se una a su objetivo en el laboratorio.
Los resultados reportados indican que los diseños con puntuaciones medias y altas alcanzaron valores similares a los de campañas anteriores, pero utilizando aproximadamente 100 veces menos horas de GPU. Al incluir el costo de los tokens, la empresa estima que unos 150 dólares en GPU y uso del modelo bastaron para igualar el rendimiento computacional de sus campañas previas.
Esto no significa que una proteína diseñada por IA se conviya automáticamente en un medicamento. Los diseños deben producirse, probarse y validarse en experimentos reales. La simulación puede reducir el espacio de búsqueda, pero no reemplaza la biología experimental.
Competencia con Adaptyv Bio
Para probar estas capacidades fuera de sus propios experimentos, Anthropic y Adaptyv Bio anunciaron una competencia de diseño de proteínas. El programa abordará cinco problemas avanzados, incluidos:
- Reactividad entre distintas especies.
- Sensibilidad al pH.
- Especificidad de péptidos para complejos MHC.
- Diseño de proteínas dirigidas a receptores acoplados a proteínas G, conocidos como GPCR.
Las organizaciones planean validar experimentalmente más de 5.000 diseños enviados por la comunidad. El apoyo anunciado incluye hasta 1 millón de dólares en créditos de Claude, 250.000 dólares en créditos de cómputo de Modal y ADN proporcionado por Twist Bioscience.
Adaptyv Bio realizará parte de la validación en laboratorio. Así, la competencia no se limitará a comparar puntuaciones en una pantalla, sino que intentará comprobar qué diseños funcionan bajo condiciones experimentales.
Anthropic también abrió en beta pública su Life Sciences Verification Program, orientado a organizaciones que trabajan en investigación biológica y necesitan verificar capacidades de IA en contextos científicos.
Qué significa para la investigación
El punto más relevante de este anuncio no es que Claude haya reemplazado a ingenieros o biólogos. Es que un modelo generalista pudo colaborar en una parte altamente especializada del desarrollo de software científico: la optimización de inferencia y kernels para GPU.
El equipo humano que supervisó el trabajo tenía experiencia en modelado biomolecular, pero no experiencia previa en optimización de inferencia o ingeniería de kernels. Anthropic sostiene que Claude aceleró más de 30 modelos en menos de cuatro semanas, una tarea que normalmente puede requerir semanas de trabajo de equipos especializados por cada modelo.
El código optimizado será publicado como código abierto, de acuerdo con Anthropic. Esto podría beneficiar a laboratorios académicos, startups biotecnológicas y desarrolladores que no cuentan con grandes presupuestos de infraestructura.
La promesa más concreta de la IA científica no es que haga descubrimientos de forma mágica. Es que convierta procesos lentos, caros y difíciles en herramientas que más personas puedan probar.
La precisión, la reproducibilidad y la validación experimental seguirán siendo esenciales. Pero si las optimizaciones se mantienen fuera de los entornos de Anthropic, el impacto puede sentirse en una parte muy práctica de la investigación: más experimentos computacionales, con menos costo y en sistemas biológicos de mayor complejidad.
Fuente original
https://www.anthropic.com/research/claude-uplifts-biomolecular-modeling