Anthropic ha demostrado el potencial de su modelo de IA, Claude, en el diseño autónomo de proteínas, un paso crucial en el desarrollo de nuevos medicamentos. Durante 48 horas, Claude accedió a recursos científicos para generar y optimizar diseños de proteínas, logrando tasas de éxito superiores a las convencionales en pruebas de laboratorio. Aunque aún no crea fármacos completos, el avance subraya la capacidad de la IA para orquestar herramientas científicas y automatizar tareas complejas.
La inteligencia artificial ha demostrado su capacidad en el campo de las matemáticas y ahora busca replicar ese éxito en la química. Anthropic ha logrado un avance significativo al permitir que su modelo Claude trabajara de forma autónoma durante aproximadamente 48 horas para abordar un desafío clásico en el desarrollo de fármacos: el diseño de proteínas. Los resultados obtenidos son prometedores, aunque resuelven solo una parte de la problemática.
Anthropic, que recientemente lanzó su programa Claude Science, proporcionó a su modelo de IA acceso a literatura científica, internet y recursos de hardware, junto con varios modelos especializados en diseño, secuenciación y plegamiento de proteínas. El modelo analizó todos estos datos para determinar la mejor estrategia para cada diseño de proteínas. Posteriormente, generó candidatos, los optimizó, descartó los menos prometedores y seleccionó cuáles debían ser enviados al laboratorio para su síntesis, todo ello de manera completamente autónoma.
Los resultados fueron positivos. Las empresas farmacéuticas Adaptyv Bio y Twist Bioscience fabricaron físicamente los diseños propuestos y verificaron su funcionalidad. De 15 diseños que arrojaron resultados válidos, Claude Opus 4.8 y Mythos Preview lograron "binders" para 14, produciendo 354 proteínas funcionales a partir de 1.320 diseños. Según estas pruebas, entre el 22,6% y el 35,1% de los candidatos funcionaron, cifras que Anthropic compara favorablemente con el rango convencional del 10 al 15%.
Un "binder" es una proteína capaz de unirse de forma muy precisa a otras proteínas específicas, actuando como una llave para una cerradura. En estos experimentos, el objetivo no es crear un medicamento directamente, sino encontrar estas proteínas que se adhieren fuertemente a proteínas objetivo, algunas de las cuales están relacionadas con procesos biológicos o enfermedades. Lograr esto puede servir para bloquear o modificar su actividad y contribuir al desarrollo de tratamientos, pero encontrar un buen "binder" es solo un primer paso, ya que un "binder" no es aún un fármaco.
El modelo de IA no descubrió nada inédito por sí mismo, sino que actuó como un orquestador de herramientas científicas ya existentes y utilizadas por los investigadores. Aprovechó los datos y las herramientas para proponer soluciones, lo cual es relevante porque Claude no necesita ser un modelo especializado, sino que le basta con saber qué herramienta usar, cuándo usarla y cómo proceder en el proceso.
Hubo éxitos notables y algunos fracasos. En un experimento denominado RBX1, Mythos Preview alcanzó un 40% de éxito 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 consiguió varios "binders" contra TNFa, una proteína con gran interés terapéutico que había planteado desafíos a diversos expertos. Sin embargo, también se registraron fracasos: ninguno de los 90 diseños creados contra MBP produjo un "binder" confirmado.
Un segundo experimento reveló aún más capacidades. Cuando un químico sintetiza una molécula, debe verificar si ha producido lo que buscaba y qué porcentaje de la muestra corresponde al compuesto correcto. Para ello, utiliza técnicas como NMR y LC-MS, que generan archivos en bruto procesados posteriormente con software especializado. Anthropic proporcionó estos archivos a Opus 5 y le solicitó que realizara esta tarea. En apenas 20 minutos por cada técnica, calculó una pureza del 96,4%, casi idéntica al 96,33% obtenido en el laboratorio. En esencia, Claude logró automatizar una tarea de análisis tediosa que requiere la experiencia de un químico especializado.
Estos logros sugieren que un modelo de IA puede transformarse en un agente de investigación capaz de documentarse con literatura científica especializada y luego usar esos datos para emplear software específico y decidir los próximos pasos en un proceso de investigación. Se ha avanzado del campo de las matemáticas al diseño y creación de fármacos, y aunque aún estamos lejos de afirmar que la IA puede diseñar nuevos fármacos, el progreso de Anthropic con Claude es notable.
