Claude acelera el diseño de proteínas con IA

Anthropic afirma que Claude diseñó proteínas capaces de unirse a 14 de 15 objetivos en pruebas de laboratorio y que analizó datos químicos en minutos, con resultados casi idénticos a los de un laboratorio especializado. La compañía presentó ambos casos como ejemplos de cómo la IA puede reducir semanas de trabajo científico a horas.

Diseñar proteínas sin empezar desde cero

Una de las pruebas consistió en crear minibinders: proteínas pequeñas diseñadas para adherirse con fuerza a otra proteína. Este tipo de unión es importante en el desarrollo de medicamentos, porque puede bloquear una señal, activar un proceso o transportar una sustancia dentro del organismo.

El diseño de estas moléculas suele exigir semanas o meses de trabajo entre simulaciones, ajustes y selección de candidatos. Anthropic dejó que Claude Mythos Preview y Claude Opus 4.8 coordinaran modelos especializados para generar estructuras, diseñar secuencias, comprobar cómo se plegaban y filtrar los candidatos más prometedores.

Los diseños fueron producidos y probados por los evaluadores externos Adaptyv Bio y Twist Bioscience. En total, Claude generó 1.320 diseños y los experimentos confirmaron 354 proteínas capaces de unirse a objetivos repartidos en 14 de los 15 casos estudiados.

La tasa de aciertos, es decir, la proporción de diseños que realmente se unieron a su objetivo, quedó entre el 22,6% y el 35,1%, según el modelo y la forma de organizar el trabajo. Anthropic sitúa entre el 10% y el 15% la tasa habitual de este tipo de campañas.

En una de las pruebas, Mythos Preview logró una tasa de aciertos del 40% contra RBX1, frente al 3,7% de los participantes de una competición anterior. Sin embargo, el resultado no fue uniforme: el modelo no consiguió unirse de forma confirmada a MBP y tuvo dificultades con otros objetivos complejos.

Tampoco todos los diseños fueron mejores que los existentes. Anthropic todavía planea realizar una caracterización más extensa para confirmar las tasas de acierto y las mediciones de afinidad, que indican con qué fuerza se une una proteína a su objetivo.

Analizar compuestos sin software especializado

El segundo experimento se centró en una tarea más rutinaria: comprobar qué compuesto ha producido un químico y cuál es su grado de pureza.

Anthropic entregó a Claude Opus 5 archivos sin procesar de dos técnicas habituales:

• NMR, que ayuda a identificar la estructura de una molécula observando las señales de sus átomos de hidrógeno.
• LC-MS, que separa los componentes de una muestra y mide su masa para estimar su composición y pureza.

El modelo recibió únicamente los archivos de un laboratorio contratado y una instrucción de dos frases. Trabajando en paralelo, devolvió el análisis de NMR en 23 minutos y el de LC-MS en 19 minutos.

Sus resultados coincidieron con los del laboratorio en los puntos principales. Los recuentos de hidrógeno por señal quedaron a menos de 0,08 unidades de los valores del laboratorio, y la pureza calculada fue del 96,4%, frente al 96,33% obtenido por los especialistas.

Claude también detectó cómo estaba codificado un formato de archivo del fabricante que no estaba documentado. Antes de analizarlo, comprobó que podía reproducir los totales registrados por el instrumento en sus 2.664 mediciones. Además, generó un informe, gráficos, tablas y código reutilizable para procesar archivos similares.

Esto no significa que el químico pueda dejar de revisar los resultados. El propio modelo señaló limitaciones, como que ese instrumento solo mide la masa con una precisión aproximada de una unidad. También cometió un error inicial al interpretar una prueba con agua pesada, pero lo detectó mediante una comprobación posterior y corrigió su conclusión.

Qué cambia para ti

En la práctica, estos avances afectan primero a laboratorios y equipos de investigación. Una IA puede encargarse de parte del trabajo repetitivo, ejecutar herramientas especializadas y entregar un primer informe sin que un experto tenga que intervenir en cada paso.

Eso puede acelerar la selección de moléculas candidatas y liberar a los científicos para tareas que exigen criterio, como decidir qué experimento hacer después o comprobar si un resultado es fiable. No convierte automáticamente una proteína diseñada en un medicamento: después todavía hacen falta más pruebas de seguridad, eficacia, producción y uso en organismos.

Anthropic también reconoce que el diseño de proteínas tiene un carácter de doble uso. Las mismas capacidades que pueden ayudar a desarrollar terapias podrían facilitar investigaciones peligrosas si se ofrecen sin controles. Por eso, las funciones avanzadas de diseño biológico no están abiertas al público general y la compañía habla de crear un programa de acceso para científicos.

Lo importante no es que Claude haya sustituido a un laboratorio, sino que ya puede conectar varias etapas del trabajo científico: leer datos, operar modelos especializados, proponer comprobaciones y preparar resultados. El siguiente punto que habrá que vigilar es si estas demostraciones se mantienen con más objetivos, más muestras y validaciones independientes, fuera de los experimentos seleccionados por la propia compañía.