El experimento de Claude con proteínas apunta a un nuevo flujo de descubrimiento temprano, no a un fármaco creado por IA

El resultado agregado fue similar: 354 de 1.320 diseños se unieron a sus objetivos, lo que equivale a una tasa global del 26,8 %. Solo uno de los objetivos evaluados no produjo ninguna proteína de unión.

Estas cifras no deben interpretarse como una tasa de éxito universal. El rendimiento cambió notablemente según el objetivo, con resultados que fueron del 0 % al 90 %. La mejor tasa comunicada, del 35,1 %, se obtuvo cuando Mythos trabajó durante 24 horas en objetivos individuales; las campañas simultáneas con varios objetivos lograron porcentajes inferiores.

Qué hizo realmente Claude

El experimento no consistió en que un modelo de lenguaje inventara desde cero toda una disciplina de ingeniería de proteínas. Primero, un especialista humano proporcionó una instrucción de aproximadamente 30.000 tokens con el flujo de trabajo. Después, Claude operó con una intervención humana adicional mínima.

Dentro de ese marco, Claude:

• investigó los objetivos seleccionados;
• decidió en qué zonas debían unirse las proteínas candidatas;
• instaló y coordinó herramientas públicas de predicción estructural y diseño de proteínas;
• generó secuencias candidatas;
• filtró, clasificó y perfeccionó los diseños; y
• eligió cuáles debían enviarse al laboratorio.

La diferencia es importante. El logro principal fue gestionar un proceso largo, con múltiples herramientas, y tomar las decisiones de selección de candidatos. Claude no inventó cada uno de los métodos computacionales utilizados.

El conjunto de objetivos incluía referencias ya establecidas y otros procedentes de competiciones más recientes. Eso hace que el resultado sea más informativo que un ejercicio puramente computacional, aunque no descarta que la familiaridad con algunos objetivos de referencia haya influido en el rendimiento.

Por qué importa la validación en el laboratorio

Un modelo puede predecir que una proteína debería unirse a otra sin que esta llegue a expresarse, plegarse correctamente o funcionar en un ensayo. Por eso Anthropic envió los diseños a colaboradores externos.

Adaptyv Bio recibió las secuencias sin saber qué modelo las había generado. Su proceso automatizado pasó de la secuencia digital de la proteína a la síntesis de ADN, la expresión proteica, la medición de la unión y el control de calidad. La empresa utilizó resonancia de plasmones superficiales y registró 354 proteínas de unión entre 1.320 diseños.

Twist Bioscience también produjo y analizó diseños de manera independiente. Anthropic afirma que los resultados incluyeron proteínas de alta afinidad para al menos seis objetivos, así como proteínas cuya afinidad igualó o superó la mejor cifra comunicada anteriormente para al menos cuatro objetivos.

Esto constituye una evidencia más sólida que una evaluación basada únicamente en estructuras predichas o explicaciones generadas por el modelo. Aun así, la validación responde a una pregunta concreta: ¿la proteína diseñada se une al objetivo seleccionado bajo las condiciones del ensayo? No demuestra que pueda convertirse en un tratamiento útil.

El resultado con RBX1 y otras cifras destacadas

Una de las comparaciones más llamativas de Anthropic se refiere a RBX1. La empresa comunicó una tasa de acierto aproximada del 40 % para los diseños de Claude, frente al 3,7 % de participantes de competiciones anteriores, y afirmó que su sistema superó al diseño ganador previo para ese objetivo.

Anthropic también informó de resultados de afinidad especialmente fuertes en algunos candidatos, incluidos diseños que se unieron varias veces con más fuerza que los mejores resultados publicados hasta entonces. Son datos prometedores, pero siguen siendo resultados comunicados por la propia empresa a partir de una sola campaña, no una prueba de superioridad general en todas las tareas de diseño proteico.

Una proteína de unión no es un medicamento

Una proteína de unión es una molécula diseñada para adherirse a un objetivo biológico. Puede resultar útil en tratamientos, diagnósticos o reactivos de investigación, pero la unión es solo un hito inicial.

Un candidato farmacológico viable también puede necesitar:

• selectividad por el objetivo adecuado;
• un efecto funcional, como bloquear o activar una vía biológica;
• estabilidad y facilidad de fabricación;
• capacidad para llegar al tejido o la célula relevantes;
• propiedades farmacocinéticas apropiadas;
• compatibilidad con el sistema inmunitario; y
• un perfil de toxicidad aceptable.

Anthropic describe el trabajo como un paso temprano hacia moléculas con características similares a las de un fármaco, no como un resultado completo de descubrimiento farmacológico. La campaña no demostró eficacia clínica, seguridad en personas ni avances exitosos por las etapas de desarrollo de un medicamento.

Las principales limitaciones y críticas

La selección de los objetivos es una limitación importante. En general, las proteínas de unión son más prácticas frente a objetivos accesibles y extracelulares que frente a proteínas que actúan dentro de las células. Martin Shkreli criticó las afinidades comunicadas por considerarlas demasiado bajas para respaldar las implicaciones farmacéuticas más amplias y señaló la ausencia de objetivos intracelulares difíciles.

Estas críticas no invalidan el hallazgo experimental de que muchos diseños se unieron a sus objetivos. Sí acotan la conclusión correcta: el experimento mostró que Claude puede producir un número considerable de proteínas de unión confirmadas en el laboratorio dentro de un flujo de trabajo definido. No demostró que el sistema pueda crear de forma fiable terapias intracelulares ni que supere a los métodos consolidados de desarrollo farmacológico en objetivos clínicamente importantes.

Además, parte de la evidencia procede de la propia Anthropic. Que la síntesis física y los ensayos fueran realizados por organizaciones externas aumenta la credibilidad del resultado, pero una replicación independiente con conjuntos de objetivos más amplios ofrecería una prueba más sólida de que el rendimiento es generalizable.

La ambición más amplia de Anthropic

Anthropic presenta el diseño de proteínas de unión como un componente de una ambición mayor: un sistema integral y multimodal capaz de acelerar el desarrollo de medicamentos y analizar datos químicos y biológicos. Su iniciativa Claude Science combina flujos de investigación, herramientas computacionales y análisis de datos científicos, mientras que la campaña con proteínas muestra cómo un agente podría conectar esas capacidades con el trabajo experimental.

La empresa afirma que sus capacidades más avanzadas para ciencias de la vida no están disponibles actualmente para un uso sin restricciones. También ha identificado como prioridad la creación de un programa de acceso para científicos y señala que Opus 5 es, por ahora, su modelo de disponibilidad general más capaz para la investigación en ciencias de la vida.

La promesa práctica no es que la IA elimine el laboratorio. Es que los sistemas autónomos podrían reducir el tiempo dedicado a investigar objetivos, ejecutar programas, clasificar candidatos y decidir qué conjunto relativamente pequeño de diseños merece pasar a la fase experimental.

Por qué estas capacidades están restringidas

El flujo de trabajo tiene una dimensión de doble uso. La misma capacidad para investigar sistemas biológicos, diseñar proteínas y coordinar herramientas especializadas podría apoyar investigaciones beneficiosas o reducir los conocimientos y el tiempo necesarios para trabajos biológicos dañinos.

Anthropic afirma que el diseño de proteínas y otras capacidades biológicas de doble uso siguen sin estar disponibles para el público general en sus sistemas más avanzados. La empresa prevé un acceso controlado o destinado a científicos y organizaciones de confianza. Su desafío declarado es apoyar la investigación terapéutica legítima y, al mismo tiempo, limitar la ayuda que pudiera contribuir a la ingeniería de patógenos, trabajos relacionados con toxinas u otras aplicaciones biológicas peligrosas.

Esta política está directamente relacionada con el resultado técnico. Cuanto más autónomamente pueda un modelo pasar de una pregunta biológica a diseños moleculares candidatos, más importante será evaluar no solo si esos diseños funcionan, sino también quién puede utilizar el flujo de trabajo, qué salvaguardas lo rodean y cómo se supervisa su uso.

En resumen

La demostración de Anthropic mostró que Claude Mythos Preview y Claude Opus 4.8 pueden coordinar autónomamente herramientas existentes de diseño proteico y producir proteínas de unión confirmadas experimentalmente, con tasas comunicadas de entre el 22,6 % y el 35,1 %. De 1.320 diseños, 354 se unieron a sus objetivos y 14 de los 15 objetivos evaluados produjeron al menos una proteína de unión.

El resultado es una prueba significativa de la utilidad de la IA en el diseño temprano de proteínas. Pero no representa un sistema autónomo de descubrimiento de fármacos, no resuelve el reto de actuar sobre objetivos intracelulares y no sustituye el largo proceso de optimización, toxicología, ensayos clínicos y revisión regulatoria. La próxima prueba será comprobar si estos resultados se repiten con objetivos más difíciles y menos conocidos, y si las capacidades pueden hacerse útiles para la investigación sin poner al alcance de cualquiera una asistencia biológica peligrosa.