Claude diseñó proteínas contra 15 objetivos. Cuando las fabricaron en un laboratorio, funcionaron contra 14

La IA ya nos ha asombrado en el ámbito de las matemáticas, y ahora quiere hacerlo en el de la química. Es desde luego lo que ha logrado Anthropic, que puso a trabajar a Claude de forma autónoma durante unas 48 horas para resolver un problema clásico del desarrollo de nuevos medicamentos: el diseño de proteínas. Los resultados son prometedores, aunque solo resuelven parte del problema.

Claude, diséñame unas proteínas. Anthropic, que inauguró recientemente su programa Claude Science, le dio a su modelo de IA acceso a literatura científica, internet y recursos hardware, además de varios modelos especializados en diseño, secuenciación y plegamiento de proteínas. El modelo  analizó todos los datos para decidir dónde tenía que atacar cada diseño de proteínas. Luego generó candidatos, los optimizó, descartó los peores y eligió cuáles debían mandarse al laboratorio para sintetizarlos. Lo hizo además de forma totalmente autónoma.

"Estamos cerca que la IA resuelva un problema y los humanos no puedan explicarlo": los matemáticos opinan sobre la IA

Buenos resultados. Las firmas farmacéuticas Adaptyv Bio y Twist Bioscience crearon físicamente los diseños propuestos y comprobaron si realmente cumplían con el objetivo. De los 15 diseños que dieron resultados válidos, Claude Opus 4.8 y Mythos Preview consiguieron binders para 14, produciendo 354 proteínas funcionales a partir de 1.320 diseños. Según esas pruebas, entre el 22,6% y el 35,1% de los candidatos funcionaron, cuando según Anthropic las cifras convencionales están entre el 10 y el 15%. 

¿Qué es exactamente un binder? En estos experimentos el objetivo no es crear directamente un medicamento, sino encontrar proteínas capaces de unirse de forma muy precisa a otras proteínas concretas, como si fueran las llaves que abren una cerradura específica. A esas proteínas se las denomina protein binders. Los investigadores eligen distintas proteínas objetivo —algunas relacionadas con procesos biológicos o enfermedades— y tratan de diseñar binders que se adhieran fuertemente a ellas. Conseguirlo puede servir después para bloquear o modificar su actividad y también para contribuir al desarrollo de un tratamiento, pero encontrar un buen binder es solo un primer paso: un binder no es todavía un fármaco.

Director de orquesta científico. EL modelo no descubrió nada especial por sí mismo, y en realidad se convirtió en el orquestador de herramientas científicas que ya existían y que los investigadores utilizan. Aprovechó los datos y las herramientas para plantear sus soluciones, y eso es interesante porque Claude no necesita ser un modelo especializado, sino que le basta con saber qué herramienta usar, cuándo usarla y como continuar el proceso.

Éxitos y algún que otro fracaso. En uno de los experimentos llamado RBX1, Mythos Preview logró un 40% frente al 3,7% obtenido por los participantes de una competición organizada por Adaptyv Bio, y su mejor diseño superó en afinidad a sus competidores. Opus 4.8 también logró varios binders contra TNFa, una proteína muy interesante terapéuticamente y que había planteado problemas a diversos expertos. Aun así, también hubo fracasos: ninguno de los 90 diseños creados contra MBP produjo un binder confirmado.

Algunos de los binders creados por los modelos de IA de Anthropic durante los experimentos.

Un segundo experimento revelador. Cuando un químico sintetiza una molécula, tiene que comprobar después si ha fabricado realmente lo que pretendía y qué porcentaje de la muestra corresponde al compuesto correcto. Para eso utiliza técnicas como NMR y LC-MS, que generan archivos en bruto que luego se procesan con software especializado. Anthropic le entregó esos archivos a Opus 5 y le pidió que hiciera ese trabajo, y tras apenas 20 minutos para cada técnica calculó una pureza del 96,4%, prácticamente idéntica al 96,33% del laboratorio. Lo que logró Claude en esencia fue automatizar una tarea de análisis que es tediosa y que requiere la experiencia de un químico especializado.

Investigadores de IA. Estos logros plantean que un modelo de IA puede convertirse en un agente investigador que logre documentarse con literatura científica especializada, y luego use esos datos para utilizar software específico para decidir próximos pasos en el proceso de investigación. De las matemáticas pasamos aquí al diseño y creación de fármacos, y aunque estamos lejos de poder decir que la IA puede diseñar nuevos fármacos, el avance de Anthropic con Claude es llamativo.

En Xataka | Los microscopios llevaban casi un siglo dependiendo de operadores humanos. China quiere cambiar eso con IA