Claude encontro en 64 horas 17 proteinas que se unen a toxinas de escorpion

Si alguna vez ha construido un proceso complejo con agentes, la secuencia le resultara familiar: el modelo recibe un objetivo, encuentra datos, invoca una docena de herramientas, comprueba resultados intermedios y reduce gradualmente el espacio de busqueda. La diferencia es que aqui el resultado no fue un informe ni un pull request, sino 211 nuevos disenos de proteinas que despues fueron fabricados y probados por dos laboratorios.

El modelo de investigacion de Anthropic dedico 64 horas a una campana para buscar proteinas capaces de unirse a cinco neurotoxinas de escorpion. Claude genero 318.484 variantes, evaluo mediante metodos computacionales 553.052 pares de proteina y toxina y selecciono 180 candidatos. Con ayuda del modelo, los investigadores anadieron otros 31 disenos. De las 211 proteinas finales, 17 superaron los criterios de laboratorio.

No se trata de un antidoto terminado. Pero el experimento muestra bien donde los sistemas de agentes ya resultan utiles en la practica y donde la presentacion todavia se adelanta a la realidad.

Que hizo exactamente Claude

Imagine la tarea como la busqueda de una llave para una cerradura extremadamente compleja. La toxina es la cerradura y una pequena proteina artificial es la llave, que debe adherirse con fuerza a la superficie adecuada. Si se une a la zona que la toxina utiliza para acoplarse al canal de sodio de una celula nerviosa, en teoria podria impedir que cumpliera su funcion.

Los humanos definieron los objetivos, las herramientas disponibles, las reglas de originalidad y las restricciones basicas. Tras la solicitud inicial hicieron falta otras cuatro aclaraciones. A partir de ahi, Claude busco estructuras de toxinas en bases de datos abiertas, eligio los puntos de union, fijo umbrales de calidad, combino 12 herramientas de diseno y preparo una lista para la sintesis fisica. Durante las primeras 24 horas, el modelo trabajo de forma autonoma, y toda la campana computacional consumio unas 10.000 horas de acelerador.

Adaptyv Bio y Twist Bioscience probaron las proteinas de manera independiente. Siete disenos se unieron a la toxina Cn2, cuatro a AaH II, otros cuatro a AaH I y dos mas a LqhIII. Para la quinta toxina, Ts1, no se encontro ninguna proteina adecuada segun los criterios establecidos. El mejor candidato, Cn2-B1, mostro union en el rango nanomolar, un resultado de laboratorio solido para una fase temprana.

Donde tuvo exito el agente y donde fallo

La cifra mas util no son las 318.000 variantes generadas, sino las 11 proteinas exitosas entre 60 disenos destinados a una toxina concreta. Es cerca del 18%, algo que los autores consideran un resultado normal para campanas de este tipo. La generacion no produjo una bonita coleccion de moleculas, sino candidatos que resistieron la validacion de laboratorio.

Con las proteinas universales, los resultados fueron peores. Claude diseno grupos separados de candidatos contra dos, tres y las cinco toxinas a la vez. Segun los criterios establecidos, ningun diseno logro unirse a mas de una. Resulta especialmente revelador el fracaso total de las 91 proteinas concebidas para las cinco dianas simultaneamente.

La causa podria no estar solo en el modelo. Las toxinas tienen una forma general parecida, pero sus secuencias de aminoacidos coinciden apenas en un 26–62%. Es posible que las herramientas elegidas resuelvan mal una tarea de este tipo, que las instrucciones orientaran la busqueda en una direccion equivocada o que una proteina universal sea, en general, dificil de obtener con la forma propuesta. El experimento deja honestamente abierta esta cuestion.

Hay una limitacion aun mas importante: los investigadores solo comprobaron la union. No probaron la neutralizacion de las toxinas ni en celulas ni en animales. Se desconocen la seguridad, la estabilidad, la dosis, el coste de produccion y el comportamiento de las proteinas dentro del organismo. Por eso, el resultado no puede llamarse antidoto.

Que deben extraer de esto los desarrolladores y los equipos de producto

La principal leccion es que conviene dar al agente no una unica orden magica, sino un ciclo de investigacion controlable: un objetivo, un conjunto de herramientas, umbrales medibles, un registro de decisiones y una costosa validacion externa al final. Claude no sustituyo al laboratorio. Amplio drasticamente el espacio de variantes, mientras que el laboratorio separo los aciertos reales de unas predicciones computacionales convincentes.

Para un equipo de producto, se trata de una arquitectura conocida: el modelo genera y clasifica hipotesis, pero el criterio final esta fuera del modelo, en las pruebas, los datos de usuarios, los ingresos o un experimento fisico. Cuanto mas caro sea el error, mas importante sera la validacion independiente.

Anthropic publico los 211 disenos y los resultados de las mediciones. Por tanto, el trabajo puede analizarse a partir de los datos y no de una descripcion publicitaria. Por ahora, la conclusion prudente es que un agente autonomo ya puede realizar en pocos dias una parte sustancial de una busqueda cientifica compleja. Pero el camino desde un candidato descubierto hasta un medicamento sigue siendo mas largo y dificil que la propia generacion.