Claude diseña proteínas nuevas y 14 de 15 objetivos funcionan en el laboratorio
Claude ha dado un paso poco habitual para un asistente de inteligencia artificial generalista: ha dirigido el diseño de proteínas nuevas que después funcionaron en el laboratorio. Anthropic le encargó crear proteínas de unión contra 15 objetivos moleculares y el sistema obtuvo resultados positivos en 14. La cifra llama la atención, aunque conviene aclarar desde el principio qué significa exactamente.
No estamos ante 14 medicamentos descubiertos ni ante una IA que haya trabajado sola con tubos de ensayo. Claude actuó como un agente científico: investigó cada objetivo, eligió estrategias, manejó herramientas especializadas de diseño computacional y seleccionó candidatos. Después, Adaptyv Bio y Twist Bioscience fabricaron y probaron físicamente esas moléculas.
Qué proteínas diseñó Claude
El experimento se centró en los llamados protein binders o proteínas de unión. Son moléculas creadas para adherirse de forma selectiva a una zona concreta de otra proteína, del mismo modo que una llave encaja en una cerradura. Esa capacidad puede servir para bloquear una interacción biológica, detectar una sustancia o construir futuros componentes terapéuticos y de diagnóstico.
Diseñarlas desde cero es difícil. No basta con proponer una cadena de aminoácidos que parezca razonable: debe plegarse correctamente, mantenerse estable, poder fabricarse y unirse de verdad a la diana elegida. Muchas propuestas prometedoras en el ordenador fracasan cuando llegan al laboratorio. Por eso, la validación experimental es el dato que separa este trabajo de una simple demostración digital.
De 1.320 diseños a 354 uniones confirmadas
Según la investigación publicada por Anthropic, Claude Mythos Preview y Claude Opus 4.8 produjeron 1.320 diseños en varias configuraciones. Las pruebas identificaron 354 proteínas capaces de unirse a sus objetivos y cubrieron 14 de las 15 dianas.
La tasa de acierto individual osciló entre el 22,6% y el 35,1%, dependiendo de cómo se organizó el proceso. Anthropic compara ese resultado con el 10% o 15% habitual en campañas actuales de diseño de proteínas. En conjunto, 354 de 1.320 equivale a cerca del 27%. Además, algunos candidatos mostraron afinidades varias veces superiores a las de los mejores diseños publicados anteriormente para sus respectivas dianas.
Uno de los casos más llamativos fue RBX1. Claude alcanzó una tasa de éxito del 40%, frente al 3,7% obtenido por participantes de una competición pública organizada por Adaptyv Bio. La comparación es sugerente, pero no convierte automáticamente a Claude en mejor que cualquier equipo humano: cambian las condiciones, los recursos y la selección de candidatos.
Claude no sustituyó a los modelos científicos
El avance no consiste en que un chatbot haya aprendido de repente toda la física molecular. Claude utilizó código y modelos especializados para generar estructuras, predecir plegamientos, evaluar interacciones y filtrar resultados. Su aportación fue coordinar el flujo de trabajo: decidir qué herramienta ejecutar, interpretar las salidas, cambiar de estrategia cuando hacía falta y priorizar las secuencias que merecían ser fabricadas.
Ese matiz es quizá la parte más importante de la noticia. Las herramientas de diseño proteico llevan años avanzando, pero exigen conocimientos técnicos, capacidad de cómputo y mucho trabajo para conectarlas. Un agente capaz de operar esa maquinaria mediante instrucciones de alto nivel podría permitir que equipos pequeños exploren más hipótesis sin construir cada canalización informática desde cero.
Por qué puede acelerar el descubrimiento de medicamentos
En las primeras fases del desarrollo farmacéutico, los investigadores prueban multitud de ideas antes de encontrar una molécula prometedora. Aumentar la tasa de acierto reduce candidatos inútiles, horas de laboratorio y ciclos de cálculo. Claude también puede documentar decisiones, analizar resultados y repetir el proceso con nuevas restricciones, de modo que el investigador se concentre más en formular preguntas y evaluar la evidencia.
Para una gran farmacéutica, esto puede traducirse en más campañas ejecutadas en paralelo y una selección inicial más amplia. Para universidades, hospitales y empresas biotecnológicas pequeñas, la ventaja potencial es distinta: acceder a flujos avanzados sin reunir desde el primer día un equipo experto en cada programa informático. No elimina la necesidad de biólogos estructurales, químicos o especialistas clínicos; cambia dónde emplean su tiempo. Su criterio pasa a ser todavía más importante para definir objetivos, detectar errores y decidir qué resultados merecen recursos reales.
Como explica Xataka al analizar el experimento, lo sorprendente no es solo el porcentaje final, sino que una IA de propósito general pueda manejar de forma autónoma un proceso reservado hasta ahora a especialistas. En medicina, esto podría ampliar la exploración de dianas poco estudiadas o abaratar la fase inicial de algunos proyectos.
Un resultado prometedor con límites importantes
Estos binders son puntos de partida, no tratamientos listos para pacientes. Todavía habría que estudiar su estabilidad, toxicidad, respuesta inmunitaria, comportamiento en células y animales, fabricación a escala y eficacia clínica. El proceso puede tardar años y la mayoría de los candidatos farmacológicos fracasa mucho después de demostrar una unión inicial.
También falta validación científica independiente más amplia. Los resultados han sido divulgados por la propia Anthropic, aunque las moléculas fueron construidas y ensayadas por dos compañías externas. Harán falta datos detallados, reproducción por otros grupos y comparaciones bajo condiciones idénticas para saber cuánto se generaliza la ventaja.
Hay, además, una dimensión de seguridad. Las mismas capacidades que ayudan a diseñar proteínas útiles pueden emplearse de forma irresponsable. Anthropic mantiene restricciones sobre sus funciones biológicas más avanzadas y plantea accesos controlados para investigadores. El reto será acelerar la ciencia legítima sin convertir herramientas potentes en servicios sin supervisión.
Con todas esas cautelas, la demostración sí marca un cambio: la IA generalista empieza a pasar de explicar artículos científicos a organizar experimentos computacionales que producen materia funcional. Claude no ha encontrado una cura, pero ha enseñado una posible nueva forma de trabajar en biotecnología: especialistas humanos fijan objetivos y controles, agentes de IA recorren miles de opciones y el laboratorio decide qué ideas sobreviven al mundo real.