Una IA diseñó proteínas contra 15 dianas sin ayuda humana: el laboratorio confirmó 14

Durante 48 horas seguidas, sin que ningún humano le diera una sola indicación más allá del encargo inicial, un modelo de IA diseñó proteínas contra 15 dianas biológicas. Dos laboratorios las fabricaron de verdad. Funcionaron contra 14.

Qué ha pasado

Anthropic publicó este martes los resultados de dos experimentos con Claude en biología y química. El primero es el que llama la atención: una campaña de diseño de proteínas de cero —lo que en el oficio se llama de novo— contra 15 dianas.

Los diseños no se quedaron en la pantalla. Adaptyv Bio y Twist Bioscience, dos empresas externas, los fabricaron físicamente y los midieron en laboratorio. De 1.320 diseños salieron 354 proteínas que sí se unían a su objetivo, repartidas entre 14 de las 15 dianas.

Conviene entender qué se ha conseguido exactamente. El objetivo no era un medicamento, sino un binder: una proteína pequeña capaz de agarrarse con fuerza y precisión a otra proteína concreta, como una llave en una cerradura. Así funciona buena parte de los fármacos modernos: se pegan a una diana y la bloquean, la activan o le entregan algo.

Por qué el 26% es la cifra que importa

Diseñar un binder nuevo ha sido siempre trabajo de meses para un especialista. Lo relevante aquí no es que la IA lo hiciera, sino con qué proporción de aciertos.

Trabajando contra las 15 dianas a la vez en una sesión de 48 horas, Claude acertó en el 26,7% de sus diseños con el modelo Mythos Preview y en el 22,6% con Opus 4.8. Cuando se le pidió atacar una diana cada vez, en sesiones de 24 horas, la cifra subió al 35,1%.

La referencia del sector hoy está entre el 10% y el 15%. Es decir: entre el doble y el triple de aciertos. Contra RBX1, una diana que Adaptyv Bio había usado en una competición abierta, el modelo logró un 40% frente al 3,7% de los participantes humanos, y su mejor diseño superó en afinidad al que ganó aquel concurso entre 245 candidatos.

El modelo no inventó la ciencia: la orquestó

Este es el detalle que más se pierde en los titulares. Claude no descubrió una técnica nueva. Lo que hizo fue manejar herramientas que el campo ya usa: modelos especializados de diseño de estructuras, de secuencias y de plegado, todos públicos.

Eligió en qué punto de cada proteína atacar, generó candidatos, los pasó por rondas de optimización por ordenador, descartó los malos y decidió cuáles merecía la pena mandar al laboratorio. Con acceso a internet, a papers y a hasta 12.500 horas de GPU H100. Los humanos solo aprobaron permisos de red y vigilaron que la infraestructura siguiera en pie.

Dónde falló

El informe no esconde los fracasos, y eso lo hace más creíble. Contra la proteína de unión a maltosa (MBP), ninguno de los 90 diseños funcionó: es una proteína grande, flexible y resbaladiza, sin apenas dónde agarrarse. Contra BBF-14 solo salieron tres binders flojos.

Y hay una rareza que la propia Anthropic reconoce no entender: contra TNFα —la diana sobre la que se construyó Humira, uno de los medicamentos más vendidos de la historia— el modelo menos capaz, Opus 4.8, tuvo éxito, y Mythos Preview no.

El segundo experimento es menos vistoso y quizá más útil a corto plazo: le dieron a Opus 5 los archivos en bruto de un laboratorio (NMR y LC-MS, las técnicas con las que un químico comprueba qué ha fabricado y con qué pureza) y una instrucción de dos frases. Devolvió los resultados en 23 y 19 minutos, con una pureza del 96,4% frente al 96,33% que midió el laboratorio. El informe oficial del laboratorio llegó cuatro días después.

Qué significa para ti

Tres cautelas y una conclusión.

Un binder no es un fármaco. Lo dice la propia Anthropic: encontrar una proteína que se agarra bien es el primer paso de un camino larguísimo. Nadie va a comprar esto en la farmacia.

Quien publica el resultado es quien vende el modelo. No hay revisión por pares todavía. A favor: los datos los midieron dos laboratorios externos, no Anthropic, y la empresa ha publicado los prompts y los datos para que cualquiera los revise.

La misma capacidad sirve para lo contrario. Anthropic lo admite sin rodeos: diseñar proteínas es de doble uso, y por eso mantiene esa función bloqueada en su modelo más potente mientras monta un programa de acceso controlado para científicos.

Y la conclusión, que vale igual fuera del laboratorio: el valor no estuvo en saber más biología, sino en saber qué herramienta usar, cuándo y en qué orden. Esa habilidad —orquestar— es exactamente la que estos modelos están aprendiendo más rápido.

¿Te fías más de un resultado que publica la empresa que vende el modelo, aunque lo hayan medido dos laboratorios de fuera? Cuéntamelo abajo.

Fuentes

• Anthropic — How Claude is accelerating protein design and analytical chemistry
• Xataka — cobertura en español