Claude acelera modelos de IA para diseñar proteínas

Anthropic afirma que Claude optimizó más de 30 modelos de biología en menos de cuatro semanas y los hizo funcionar unas cuatro veces más rápido en promedio, con un consumo de memoria mucho menor. El objetivo es concreto: que más investigadores puedan predecir estructuras de proteínas y diseñar moléculas sin necesitar grandes centros de computación.

La compañía ha publicado el código optimizado y anunció, junto con Adaptyv Bio, una competición de diseño de proteínas con hasta 1 millón de dólares en créditos de Claude, 250.000 dólares en cómputo y validación experimental para más de 5.000 diseños.

Qué ha optimizado Claude

Los modelos de biología pueden predecir la forma tridimensional de una proteína a partir de su secuencia de aminoácidos. También pueden diseñar proteínas nuevas para que se unan a una molécula concreta, bloqueen una señal o transporten otra sustancia.

Estas herramientas se usan en investigación de fármacos, genética y estudio de enfermedades. El problema es que algunos cálculos crecen muy rápido cuando el sistema tiene más componentes. En modelos como AlphaFold3, OpenFold3 y Boltz-2, ciertas operaciones pueden necesitar 8 veces más tiempo y memoria al duplicar el tamaño del sistema.

Claude creó optimizaciones específicas para esos cálculos, incluidos nuevos componentes de software para tarjetas gráficas llamados kernels. El resultado, según Anthropic, fue:

• Entre 2,7 y 2,9 veces más velocidad en una de las operaciones principales.
• Entre 1,7 y 3,2 veces más velocidad en otra, según la configuración.
• Una aceleración media de unas 4 veces en los modelos de predicción de estructuras.
• Casi 2 veces más velocidad sin cambiar los resultados de salida.

Anthropic dice que los modelos acelerados mantuvieron su rendimiento en las tareas biológicas evaluadas. La compañía también señala que este tipo de optimización suele requerir semanas de trabajo de ingenieros especializados para cada modelo, mientras que Claude trabajó bajo la supervisión de dos miembros de su equipo con experiencia en modelado biomolecular, pero sin experiencia previa en optimización de inferencia o desarrollo de kernels.

Moléculas grandes en una sola máquina

La reducción del uso de memoria permite trabajar con sistemas biomoleculares más grandes. Claude creó un modo llamado Big que, de acuerdo con Anthropic, permite predecir con precisión sistemas de más de 10.000 tokens en un único nodo con GPU de NVIDIA. En este contexto, un token puede representar aminoácidos, nucleótidos, átomos de moléculas pequeñas o iones.

Entre los sistemas modelados están el complejo I de las mitocondrias humanas, el complejo chaperón TRiC, un proteasoma y un ribosoma bacteriano. Cada uno se acercó a su estructura determinada experimentalmente, según la empresa.

El modo también permitió ejecutar predicciones de sistemas de más de 70.000 tokens en un solo nodo. Eso no significa que todas esas predicciones sean correctas. Anthropic reconoce que los modelos no lograron predecir con precisión cápsidas virales y compartimentos proteicos de entre 31.000 y 70.000 tokens, pero sí pudieron procesarlos, algo que antes resultaba mucho más difícil.

Diseñar proteínas con menos recursos

Anthropic volvió a probar su sistema para crear proteínas que se unan a objetivos concretos. Esta vez utilizó un solo modelo de Claude, una GPU H200, 24 horas y un prompt de unas 1.100 palabras, sin subagentes ni intervención humana durante el diseño.

En 16 objetivos, los modelos Mythos 5.1, Mythos 5 y Opus 5 alcanzaron valores de diseño similares a los de una campaña anterior, pero usando aproximadamente 100 veces menos horas de GPU. La empresa estima que el coste combinado de GPU y tokens fue de unos 150 dólares.

Es una comparación computacional, no una prueba de que las proteínas funcionen en pacientes o incluso en un laboratorio. Para comprobarlo hace falta sintetizarlas y medir su comportamiento real.

Qué cambia para los investigadores

El código abierto puede reducir el coste de experimentar con estos modelos y permitir que laboratorios más pequeños trabajen con sistemas que antes exigían varias GPU o presupuestos elevados. Eso puede acelerar la exploración de candidatos para fármacos, pero no elimina la parte experimental ni garantiza resultados médicos.

La competición con Adaptyv Bio pondrá a prueba problemas como la reacción de una proteína frente a distintas especies, su sensibilidad al pH, la especificidad frente a complejos péptido-MHC y el diseño contra receptores GPCR. Los diseños seleccionados se evaluarán en laboratorio.

La señal importante no es que Claude haya resuelto el diseño de proteínas. Es que la IA empieza a reducir uno de los cuellos de botella menos visibles de la ciencia: el tiempo y el coste de hacer funcionar las herramientas. El siguiente paso será comprobar cuántos de esos diseños sobreviven al laboratorio, que es donde las predicciones dejan de ser promesas y se convierten en resultados.