Anthropic: Claude diseñó 318 484 proteínas en 64 horas y 17 superaron la verificación de laboratorio

Anthropic ha publicado un estudio de biología en el que Claude generó 318 484 variantes de proteínas en 64 horas. Su objetivo es unirse a una neurotoxina del veneno de escorpión. La verificación de laboratorio confirmó que 17 candidatos funcionan. Eso equivale a cerca del 0,005% del total de diseños, y esa cifra por sí sola invita a subestimar el resultado. Lo importante es otra cosa: la IA aplicada al desarrollo de fármacos ha salido del terreno del cálculo y ha llegado al experimento.

Problema y escala

Anthropic justifica la elección del tema con datos epidemiológicos. Según la compañía, unos 1,2 millones de personas sufren cada año picaduras de escorpión. El veneno contiene neurotoxinas y, si se encuentra una proteína que se una a ellas de forma fiable, se obtiene la base de un antídoto o de una herramienta de diagnóstico.

La velocidad de generación impresiona. 318 484 diseños en 64 horas son, de media, unas 4 976 variantes por hora, es decir, más de 80 por minuto. Un equipo humano habría examinado en ese tiempo un puñado de candidatos. Aquí el modelo produjo casi un tercio de millón, y a partir de ahí empieza la selección.

Cómo leer las cifras

La relación de 17 entre 318 484 parece modesta, pero compararla con un porcentaje de respuestas «correctas» no es adecuado. El diseño de proteínas funciona como un embudo: generación barata en cantidades enormes, después filtrado y, por último, síntesis y pruebas de laboratorio, que son caras. Normalmente solo una pequeña parte de las variantes llega al tubo de ensayo. En el fragmento disponible no queda claro cuántos candidatos se sintetizaron y se probaron realmente. De ese dato depende la tasa real de aciertos: si se probaron cientos, el resultado es más sólido de lo que sugiere el denominador total.

Datos clave de la publicación:

• Tiempo de generación: 64 horas.
• Volumen: 318 484 diseños de proteínas.
• Confirmados experimentalmente: 17 candidatos.
• Molécula objetivo: una neurotoxina del veneno de escorpión.
• Escala del problema según Anthropic: unos 1,2 millones de afectados al año.
• Proporción de confirmados sobre el total generado: en torno al 0,005%.

Lo que no aparece en el material original: qué toxina concreta se eligió, qué método de validación se utilizó, qué afinidad mostraron los mejores candidatos y cómo se comportan en sistemas vivos. Tampoco se aclara si Claude trabajó solo o junto con modelos especializados de predicción de estructuras. Son preguntas clave para evaluar el trabajo.

Qué dice esto sobre la dirección de la compañía

Para Anthropic es un paso notable hacia la ciencia aplicada. Hasta ahora, Claude aparecía sobre todo en historias de programación y tareas de oficina. Aquí el modelo se integra en un proceso cuyo resultado lo valida el mundo físico: la proteína se une a la diana o no se une. Esa comprobación se presta mal a la interpretación de marketing, por lo que los 17 candidatos confirmados pesan más que cualquier benchmark basado en texto.

Para la industria es una señal: los modelos de lenguaje y de propósito general empiezan a competir en un nicho donde antes trabajaban sistemas especializados y estrechos. Ganará quien cierre más rápido y a menor coste el ciclo «idea — síntesis — prueba».

Qué vigilar a partir de ahora

Mientras no exista una publicación completa, las conclusiones siguen siendo preliminares. Esto es lo que conviene comprobar cuando aparezcan los detalles:

• La tasa de aciertos entre las variantes realmente sintetizadas, y no entre todas las generadas.
• La afinidad y la especificidad de las mejores proteínas de unión: con qué firmeza y selectividad se adhieren a la toxina.
• La neutralización del veneno en células o en modelos in vivo. Que haya unión in vitro no significa que exista un antídoto.
• El coste y la duración de un ciclo de verificación: ahí, y no en la generación, suele estar el principal cuello de botella.

Los equipos de biotecnología deberían definir sus propias métricas de eficiencia del embudo y comparar con ellas cualquier enfoque de IA. El número de diseños por hora no sirve para eso: lo que hay que medir es el número de candidatos confirmados por dólar invertido y por semana de laboratorio.