Claude Cruza una Nueva Frontera Científica: de Resolver Matemáticas a Coordinar la Creación de Moléculas

¿Qué pasaría si una herramienta digital pudiera revisar miles de piezas de un rompecabezas biológico, descartar las que no encajan y enviar las mejores a un laboratorio? Esa escena, que parecía lejana, ya comenzó a tomar forma en la química.

Anthropic utilizó su modelo de inteligencia artificial Claude durante 48 horas de forma autónoma para diseñar nuevas proteínas. El hallazgo abre una oportunidad en una de las etapas más lentas y costosas de la creación de medicamentos: encontrar moléculas capaces de actuar sobre un blanco preciso.

Mediante el programa Claude Science, el sistema accedió a literatura científica, internet, hardware avanzado y herramientas especializadas. Claude no trabajó como una calculadora aislada: coordinó recursos, seleccionó estrategias y decidió qué diseños debían llegar a las empresas Adaptyv Bio y Twist Bioscience para ser fabricados y evaluados.

La pieza clave no fue que la IA inventara una química desconocida. Su aporte central fue ordenar el trabajo disponible, como quien abre una caja de herramientas y sabe exactamente qué instrumento usar antes de tocar una cañería.

Un taller digital para encontrar la llave correcta

El objetivo fueron los protein binders (proteínas que se unen a un objetivo). Estas moléculas funcionan como una llave frente a una cerradura molecular: se adhieren a otra proteína y pueden bloquearla o modificar su comportamiento. Un binder no es un medicamento por sí mismo, pero puede ser el engranaje inicial para construir un tratamiento.

Claude actuó como un jefe de taller que conecta planos, herramientas y controles de calidad antes de fabricar una pieza. Primero recopiló información científica. Después identificó zonas estratégicas donde intervenir, propuso proteínas y afinó las opciones con más posibilidades.

También eliminó las alternativas menos viables. Ese mecanismo importa porque en el diseño molecular no alcanza con imaginar una forma atractiva en pantalla: la proteína debe poder fabricarse y conservar su función en condiciones reales de laboratorio.

De las 1.320 propuestas de Claude, 354 generaron proteínas funcionales. La tasa de éxito se ubicó entre 22,6% y 35,1%, por encima del intervalo habitual de 10% a 15% en experimentos de este tipo.

En una prueba llamada RBX1, Claude alcanzó un 40% de éxito. La comparación llama la atención: participantes humanos de una competencia anterior habían logrado 3,7%, y uno de los diseños de la IA mostró una afinidad, es decir, una capacidad de unión más fuerte, superior a la de los competidores.

El modelo también creó varios binders contra TNFa, una proteína relevante para futuras aplicaciones terapéuticas que había resultado difícil para otros especialistas. Sin embargo, el resultado no fue perfecto: ninguno de los 90 diseños destinados a la proteína MBP produjo un binder confirmado.

Del diseño a la lectura del laboratorio

Anthropic probó además a Opus 5 en una tarea posterior a la síntesis química. Tras fabricar una molécula, los químicos deben verificar qué compuesto obtuvieron y cuán puro es. Es una revisión parecida a comprobar si una receta salió con los ingredientes correctos y sin restos de otra preparación.

Para hacerlo, el sistema analizó datos de resonancia magnética nuclear, o NMR (lectura de la estructura molecular), y cromatografía líquida con espectrometría de masas, o LC-MS (separación e identificación de compuestos). Son archivos técnicos que suelen exigir experiencia especializada para traducir sus señales en una respuesta concreta.

Opus 5 completó cada análisis en unos 20 minutos y estimó una pureza de 96,4%. Los profesionales de laboratorio habían calculado 96,33%, una diferencia mínima que revela el potencial de automatizar tareas repetitivas sin reemplazar la comprobación experimental.

La IA todavía no convierte una idea en un fármaco listo para usar. Pero empieza a funcionar como un cableado central: acelera la comunicación entre datos, diseño y laboratorio, para que los investigadores dediquen más tiempo a las decisiones que realmente necesitan mirada humana.

Sofía Sicilia

Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.