Claude encontrou em 64 horas 17 proteinas que se ligam a toxinas de escorpiao

Se voce ja montou um processo complexo baseado em agentes, o cenario e familiar: o modelo recebe um objetivo, encontra dados, aciona uma duzia de ferramentas, verifica resultados intermediarios e reduz gradualmente o espaco de busca. A diferenca e que, neste caso, o resultado nao foi um relatorio nem um pull request, mas 211 novos projetos de proteinas, posteriormente fabricados e testados por dois laboratorios.

O modelo de pesquisa da Anthropic passou 64 horas conduzindo uma campanha para encontrar proteinas capazes de se ligar a cinco neurotoxinas de escorpiao. Claude gerou 318.484 variantes, avaliou por metodos computacionais 553.052 pares de proteina e toxina e selecionou 180 candidatos. Com a participacao do modelo, os pesquisadores acrescentaram outros 31 projetos. Das 211 proteinas finais, 17 atenderam aos criterios laboratoriais.

Isso nao e um antidoto pronto. Mas o experimento mostra claramente onde os sistemas de agentes ja sao uteis na pratica e onde a apresentacao ainda esta a frente da realidade.

O que Claude fez exatamente

Imagine a tarefa como a busca por uma chave para uma fechadura extremamente complexa. A toxina e a fechadura, e uma pequena proteina artificial e a chave, que precisa se prender firmemente a superficie correta. Se ela se ligar a regiao usada pela toxina para se conectar ao canal de sodio de uma celula nervosa, teoricamente podera impedi-la de cumprir sua funcao.

Os humanos definiram os objetivos, as ferramentas disponiveis, as regras de originalidade e as restricoes basicas. Depois da solicitacao inicial, foram necessarios mais quatro esclarecimentos. Em seguida, Claude pesquisou estruturas de toxinas em bancos de dados abertos, escolheu os locais de ligacao, definiu limites de qualidade, combinou 12 ferramentas de projeto e montou uma lista para sintese fisica. Nas primeiras 24 horas, o modelo trabalhou de forma autonoma, e toda a campanha computacional consumiu cerca de 10.000 horas de aceleradores.

As proteinas foram testadas de forma independente pela Adaptyv Bio e pela Twist Bioscience. Sete projetos se ligaram a toxina Cn2, quatro a AaH II, outros quatro a AaH I e mais dois a LqhIII. Para a quinta toxina, Ts1, nenhuma proteina adequada foi encontrada segundo os criterios estabelecidos. O melhor candidato, Cn2-B1, apresentou ligacao na faixa nanomolar, um resultado laboratorial forte para uma etapa inicial.

Onde o agente teve sucesso e onde falhou

O numero mais util nao e o das 318.000 variantes geradas, mas o das 11 proteinas bem-sucedidas entre 60 projetos voltados para uma toxina especifica. Isso representa cerca de 18%, resultado que os autores consideram normal para campanhas desse tipo. A geracao nao produziu apenas uma bela colecao de moleculas, mas candidatos que resistiram a verificacao em laboratorio.

Com as proteinas universais, o desempenho foi pior. Claude projetou grupos separados de candidatos contra duas, tres e as cinco toxinas de uma so vez. Pelos criterios definidos, nenhum projeto conseguiu se ligar a mais de uma. O fracasso completo das 91 proteinas projetadas simultaneamente para os cinco alvos e especialmente revelador.

A causa pode nao estar apenas no modelo. As toxinas apresentam um formato geral semelhante, mas suas sequencias de aminoacidos coincidem em apenas 26–62%. Talvez as ferramentas escolhidas sejam inadequadas para esse tipo de tarefa, as instrucoes tenham direcionado a busca para o caminho errado ou uma proteina universal seja simplesmente dificil de obter na forma proposta. O experimento deixa honestamente essa questao em aberto.

Ha tambem uma limitacao ainda mais importante: os pesquisadores testaram apenas a ligacao. Eles nao avaliaram a neutralizacao das toxinas nem em celulas nem em animais. A seguranca, a estabilidade, a dosagem, o custo de producao e o comportamento das proteinas dentro do organismo continuam desconhecidos. Por isso, o resultado nao pode ser chamado de antidoto.

O que desenvolvedores e equipes de produto devem aprender com isso

A principal licao e que vale mais oferecer ao agente nao um unico comando magico, mas um ciclo de pesquisa controlavel: um objetivo, um conjunto de ferramentas, limites mensuraveis, um registro de decisoes e uma validacao externa cara no final. Claude nao substituiu o laboratorio. Ele ampliou drasticamente o espaco de alternativas, enquanto o laboratorio separou os acertos reais de previsoes computacionais convincentes.

Para uma equipe de produto, essa e uma arquitetura familiar: o modelo gera e classifica hipoteses, mas o criterio final fica fora dele, em testes, dados de usuarios, receita ou um experimento fisico. Quanto mais caro for o erro, mais importante sera a validacao independente.

A Anthropic disponibilizou todos os 211 projetos e os resultados das medicoes. Isso permite analisar o trabalho com base nos dados, e nao em uma descricao promocional. Por enquanto, a conclusao equilibrada e que um agente autonomo ja consegue realizar, em poucos dias, uma parte substancial de uma busca cientifica complexa. Mas o caminho entre um candidato descoberto e um medicamento continua mais longo e dificil do que a propria geracao.