Claude redujo el aislamiento de partículas proteicas vault de 3 días a 90 minutos

Durante cuarenta años, los científicos han estudiado las partículas vault, grandes cápsulas proteicas huecas que se encuentran dentro de las células, sin llegar a entender para qué sirven. Anthropic cuenta cómo Claude ayudó a desbloquear la situación: el agente analizó una base de 15 mil millones de secuencias de proteínas y ayudó a preparar los experimentos. Como resultado, el aislamiento de las partículas en el laboratorio se redujo de 3 días a 90 minutos.

Es como si la compilación de un proyecto, que antes tardaba tres días, pasara a durar hora y media. Una ganancia similar obtuvieron los biólogos, para quienes cada intento cuesta tiempo y reactivos caros. Para quienes desarrollan agentes de IA, es un ejemplo poco habitual en el que conviven cifras sólidas y una lista honesta de errores.

Qué son estas partículas y por qué generan debate

Las partículas vault se descubrieron en 1986. Parecen cápsulas huecas y se supone que participan en el transporte intracelular y en la protección de las células. Su función exacta sigue siendo desconocida.

En el nuevo trabajo, los investigadores reconstruyeron con la ayuda de Claude, por primera vez, la estructura tridimensional de una partícula de tipo vault hallada en procariotas, organismos sin núcleo celular. Esto no reveló el papel de la partícula: los autores escriben de forma explícita que su función biológica sigue siendo un misterio. Pero conocer su forma y su composición es el primer paso, sin el cual solo cabe especular sobre su finalidad.

Qué hizo exactamente Claude

Las tareas fueron muy variadas. Claude examinó 15 mil millones de secuencias de proteínas, ayudó a diseñar construcciones de ADN, a optimizar procedimientos de laboratorio y a procesar datos de criomicroscopía electrónica, las imágenes a partir de las cuales se construye el modelo 3D de una proteína. Trabajó dentro de un sistema multiagente, ejecutó el software especializado RELION y procesó datos en un clúster de cómputo.

Los resultados en cifras:

• el aislamiento de las partículas se aceleró de 3 días a 90 minutos;
• el primer modelo 3D se obtuvo en 34 horas, en lugar de varias semanas;
• la estructura hallada consta de 96 copias de la proteína y su masa es de unos 9,5 megadaltons (del orden de 9,5 millones de veces la masa de un átomo de hidrógeno);
• todo el ciclo de investigación duró menos de 4 meses.

Lo importante es que el agente no se limitó a responder en un chat. Estaba integrado en el flujo de trabajo: buscaba en una base de datos enorme, proponía protocolos, ejecutaba software profesional y analizaba los resultados. Es justo el escenario que hoy se intenta reproducir en los agentes comerciales, solo que aquí el entorno es más costoso y menos tolerante con los errores.

Dónde falló el agente y qué se desprende de ello

Lo más útil del informe es la sección sobre los fallos. Una recomendación desacertada de Claude retrasó los experimentos dos semanas. Un paso de procesamiento omitido dio lugar a un mapa 3D incorrecto. En un laboratorio, estos errores no se pueden revertir como un commit en un repositorio: consumen semanas y materiales.

La conclusión práctica es sencilla. Si un agente acelera la rutina varias veces pero a veces se salta un paso sin avisar, el valor del sistema depende también de la rapidez con que una persona detecte el fallo. Un modelo final de buen aspecto no demuestra que se hayan completado todas las etapas, así que hacen falta puntos de control después de los pasos costosos e irreversibles, y no solo al final. También resulta útil registrar las acciones del agente: el registro permite ver qué etapa se omitió.

La segunda conclusión tiene que ver con la economía. La ganancia principal aquí está en comprimir largas cadenas de pasos rutinarios, no en respuestas inteligentes aisladas. Hay que dar al agente herramientas reales y recursos de cómputo, pero dejar a la persona como revisora: Anthropic subraya que los agentes de IA realizan una parte considerable del trabajo científico complejo bajo la supervisión de los investigadores.

Hay también salvedades. Se trata de un informe de la propia Anthropic sobre su modelo, y no incluye una evaluación independiente. Comparaciones como «en lugar de varias semanas» se refieren a un proyecto concreto, y extrapolarlas a cualquier laboratorio sería imprudente. Aun así, el ejemplo ofrece una imagen realista: un agente puede acelerar la ciencia muchas veces, pero no sustituye al científico, sino que lo convierte en editor y supervisor.