Claude diseña proteínas contra 15 objetivos y logra resultados en 14 de ellos
La inteligencia artificial empieza a demostrar que puede desempeñar un papel activo en el laboratorio, más allá de responder preguntas o analizar documentos. Anthropic ha puesto a prueba a Claude en una tarea especialmente compleja: diseñar proteínas capaces de unirse a otras proteínas relacionadas con procesos biológicos y enfermedades.
El modelo trabajó durante unas 48 horas con acceso a literatura científica, internet, recursos informáticos y varias herramientas especializadas. Después de analizar la información, generó candidatos, los optimizó, descartó los menos prometedores y seleccionó los diseños que debían fabricarse para comprobar si funcionaban en condiciones reales.
Los resultados son relevantes, aunque todavía no significan que la IA pueda crear medicamentos por sí sola. De los 15 objetivos que ofrecieron resultados válidos, los modelos Claude Opus 4.8 y Mythos Preview obtuvieron proteínas capaces de unirse a 14. En total, los laboratorios produjeron 354 proteínas funcionales a partir de 1.320 diseños propuestos.
Qué es un protein binder y por qué resulta importante
El objetivo de estos experimentos no era fabricar directamente un fármaco, sino encontrar protein binders: proteínas diseñadas para adherirse de forma muy precisa a otra proteína concreta. El concepto puede entenderse como una llave molecular capaz de encajar en una cerradura determinada.
Si un binder se une a una proteína implicada en una enfermedad, puede bloquear su actividad, modificar su comportamiento o servir para detectarla. Estos diseños podrían convertirse posteriormente en herramientas de investigación o en componentes de futuros tratamientos, pero todavía deben superar numerosas pruebas.
La unión correcta es solo el primer paso. También hay que comprobar la estabilidad de la proteína, su seguridad, su comportamiento en células y organismos vivos, su capacidad para llegar al tejido adecuado y la ausencia de efectos no deseados. Por tanto, un binder no es todavía un medicamento.
Una IA que coordina herramientas científicas
Una de las características más llamativas del experimento es que Claude no funcionó como un único sistema especializado en biología. Actuó como un agente investigador, es decir, un modelo capaz de decidir qué tarea realizar, qué herramienta utilizar y cuál debía ser el siguiente paso.
El sistema consultó publicaciones científicas, escogió objetivos, generó secuencias de proteínas y recurrió a programas especializados para predecir cómo se plegarían. El plegamiento es la forma tridimensional que adopta una proteína y resulta esencial para determinar si puede unirse correctamente a otra molécula.
Después, Claude comparó los resultados, refinó los candidatos y elaboró una selección para su fabricación. Las empresas Adaptyv Bio y Twist Bioscience sintetizaron físicamente las proteínas y realizaron las pruebas experimentales.
Según los resultados comunicados, entre el 22,6% y el 35,1% de los candidatos analizados funcionaron, frente a porcentajes convencionales situados aproximadamente entre el 10% y el 15%. La cifra varía en función del objetivo y de los criterios empleados para considerar válida una unión.
Un rendimiento desigual según la proteína objetivo
El desempeño no fue idéntico en todos los experimentos. En el caso de RBX1, Mythos Preview alcanzó una tasa de éxito del 40%, frente al 3,7% obtenido por los participantes de una competición organizada anteriormente con el mismo objetivo. Además, su mejor diseño superó a los competidores en afinidad.
La afinidad mide la intensidad con la que una molécula se une a otra. En el desarrollo de proteínas terapéuticas, una mayor afinidad suele ser deseable, aunque no es el único factor relevante: también importan la estabilidad, la selectividad y el comportamiento en condiciones biológicas.
Claude Opus 4.8 también generó varios binders contra TNF-α, una proteína relacionada con procesos inflamatorios y de interés farmacéutico. El objetivo había planteado dificultades en trabajos anteriores, lo que refuerza el interés de los resultados.
Sin embargo, el sistema también tuvo fallos claros. Ninguno de los 90 diseños creados contra MBP produjo un binder confirmado. Este resultado recuerda que la IA puede acelerar la búsqueda, pero sigue sin garantizar que una predicción informática se traduzca en una proteína funcional.
Claude también automatiza el análisis químico
El experimento incluyó una segunda prueba centrada en una tarea habitual de los laboratorios: verificar qué compuesto se ha fabricado y determinar su pureza. Para ello se utilizan técnicas como la resonancia magnética nuclear, conocida como NMR, y la cromatografía líquida acoplada a espectrometría de masas, o LC-MS.
Estas técnicas generan archivos de datos en bruto que deben procesarse con programas específicos y requieren experiencia para interpretar correctamente los resultados. Anthropic entregó esos archivos a Claude Opus 5 y le pidió que realizara el análisis.
El modelo tardó unos 20 minutos con cada técnica y calculó una pureza del 96,4%. El resultado fue prácticamente idéntico al 96,33% obtenido por el laboratorio mediante sus procedimientos habituales.
Un paso hacia los agentes investigadores
La importancia del trabajo no reside únicamente en el porcentaje de proteínas que funcionaron. También muestra cómo un modelo generalista puede convertirse en un coordinador de procesos científicos complejos, combinando lectura de artículos, generación de hipótesis, simulaciones, selección de candidatos y análisis de resultados.
La investigación farmacéutica, no obstante, exige mucho más que diseñar una molécula que se una a un objetivo. Los candidatos deben validarse en experimentos independientes, someterse a pruebas de toxicidad y demostrar eficacia y seguridad antes de avanzar hacia los ensayos clínicos.
La conclusión más prudente es que la IA puede reducir el tiempo y el coste de algunas fases iniciales del descubrimiento de fármacos. Claude no ha diseñado nuevos medicamentos de forma autónoma, pero sí ha demostrado que puede ayudar a explorar miles de posibilidades y priorizar las más prometedoras para que los científicos las prueben.
