Claude diseñó binders de proteínas funcionales para 14 de 15 dianas — al doble de la tasa de éxito de la industria

Anthropic puso a Claude al mando de una campaña de diseño de proteínas — planificando, razonando e iterando sobre moléculas candidatas — y luego mandó fabricar y probar los diseños en un laboratorio. Claude tuvo éxito en 14 de 15 dianas, con una tasa media de acierto del 26,8%. La referencia de la industria para campañas de binders de novo es del 10–15%. Claude prácticamente la duplicó.

La escala importa. Claude diseñó 1.320 binders de proteínas y los pasó por una tubería automatizada; 354 se confirmaron como unidos físicamente a sus dianas previstas. Adaptyv Bio y Twist Bioscience sintetizaron y probaron los diseños en el laboratorio húmedo sin modificarlos — sin edición humana de la salida de Claude antes de llegar al banco de pruebas. Según cómo se ejecutaran las sesiones, las tasas oscilaron entre el 22,6% y el 35,1%.

Algunos resultados individuales son el verdadero titular. Frente a TREM2, Claude alcanzó una tasa del 80%, desde el 38,3% de una competición previa de Adaptyv Bio. En RBX1, el modelo Mythos Preview de Anthropic registró un 40% frente al 3,7% de los participantes de una competición anterior. La afinidad de unión mejoró en órdenes de magnitud en algunos casos: el mejor binder de Claude para 15-PGDH midió 33,4 nanomolar frente a los 1,7 micromolar previos — una unión unas 50 veces más fuerte. Para RBX1, 3,9 nanomolar frente a 25,7 nanomolar.

Lo nuevo no es que la IA pueda diseñar proteínas — modelos especializados como AlphaFold y RFdiffusion llevan años en estructura y diseño. Es que un modelo de lenguaje de propósito general ejecutó el flujo de trabajo: leyó el problema, eligió herramientas, razonó sobre candidatos e iteró, con humanos y robots de laboratorio reducidos a los pasos físicos. Claude no fue una pieza de la tubería. Fue el científico que la dirigía.

Ese encuadre es exactamente por qué el resultado tiene una arista de seguridad, y Anthropic lo dijo sin rodeos. Un modelo capaz de diseñar de forma autónoma proteínas funcionales que se unen a dianas humanas es de doble uso por definición. La misma capacidad que acelera el descubrimiento de fármacos, la investigación del envejecimiento y la resistencia a enfermedades es la que preocupa a los equipos de bioseguridad. Que Anthropic publique esto junto a su marco de seguridad — en lugar de esconder las cifras — es el mensaje: la capacidad ya está aquí, y fingir lo contrario no ayuda a nadie.

Para la biotecnología, la implicación práctica es velocidad y coste. El descubrimiento de binders de novo es lento, caro y con mucho fracaso; un modelo que triplica la tasa de acierto en dianas difíciles comprime el ciclo de descubrimiento y desplaza el valor de la experiencia humana hacia la selección de problemas y la validación.

La advertencia honesta: es un solo benchmark, hecho en colaboración con los laboratorios que lo validaron, sobre 15 dianas. Es un resultado genuino, no un producto. Pero “un chatbot dirigió una campaña de diseño de proteínas y superó la referencia humana en un laboratorio real” es la clase de frase que hace dos años habría sonado a ciencia ficción.

Fuentes

Lecturas relacionadas