Claude se adentra en el diseño de proteínas y presenta un primer y brillante expediente.
Acaba de salir, la Compañía A ha publicado un nuevo artículo en su blog, detallando todo el proceso de cómo sus modelos Mythos y Opus, de la mano, se han aventurado valientemente en el campo de la IA para la Ciencia (AI4S).
Desplazándonos rápidamente a la página de resultados, vemos que realmente tiene algo de mérito:
En esta ocasión, Claude diseñó desde cero 1320 candidatos a proteínas, que luego fueron producidos y validados por un laboratorio externo.
El resultado fue que 354 de ellos se unieron exitosamente al objetivo, 14 de 15 objetivos logrados, con una tasa de acierto máxima del 35.1%.
Hay que tener en cuenta que la tasa de acierto típica de los proyectos actuales de diseño de proteínas suele ser solo del 10% al 15%.
Lo más impresionante es que, después de diseñar las nuevas moléculas, Claude no terminó su trabajo allí.
Ante los archivos brutos de RMN y LC-MS proporcionados por el laboratorio, Claude solo necesitó leer dos frases de instrucciones de la tarea para procesarlos en 23 y 19 minutos, respectivamente.
Finalmente, midió una pureza de muestra del 96.4%, mientras que el resultado del laboratorio fue del 96.33%.
Una diferencia de solo 0.07 puntos porcentuales.
Es decir, los resultados de Claude coincidieron sorprendentemente con los del laboratorio.
No es predicción, es diseño de proteínas desde cero
Al hablar de proteínas, mucha gente probablemente piense inmediatamente en el proyecto AlphaFold de Google DeepMind.
Aclaremos primero, AlphaFold predice la estructura de las proteínas, su núcleo resuelve el problema de "dada una secuencia de aminoácidos conocida, ¿en qué estructura se plegará?".
La tarea que Claude recibió esta vez es completamente diferente:
La proteína objetivo está aquí, por favor diseña desde cero una nueva proteína que no existía antes, que se pueda adherir con precisión a ella.
Lo que Claude diseñó se llama minibinder, es decir, proteínas de unión miniaturas.
Según la información pública consultada, un minibinder es una proteína pequeña diseñada artificialmente, generalmente de solo 50 a 70 aminoácidos, con una estructura compacta y una función única.
Su tarea es muy pura: adherirse con extrema precisión y fuerza a una parte específica de la proteína objetivo.
No subestimen este acto de "adherencia", muchos fármatos funcionan precisamente gracias a esta unión precisa a nivel molecular—
adherirse a una proteína mala para inactivarla, o adherirse a una proteína buena para activarla, o simplemente arrastrar la molécula del fármato hasta el sitio de la lesión para su liberación.
El problema es que este trabajo es bastante complicado.
Los diseñadores de proteínas no solo tienen que gestionar una serie de modelos especializados, sino que también deben generar, optimizar y filtrar candidatos repetidamente, todo el proceso requiere mucha experiencia.
Cada objetivo requiere que los expertos dediquen semanas o incluso meses para filtrar unos pocos candidatos realmente efectivos entre una gran cantidad de moléculas candidatas.
Anthropic esta vez entregó todo el kit de herramientas a Claude.
Participaron en el experimento Mythos Preview y Opus 4.8, que pueden acceder a artículos, recursos de internet y múltiples modelos especializados de proteínas, y también recibieron suficiente potencia de cálculo de GPU.
Después de que los humanos dieran la tarea inicial, Claude comenzó a trabajar por sí solo. El resultado general fue:
Claude logró 14 de los 15 objetivos, de los cuales al menos 6 produjeron proteínas de unión de alta afinidad, y al menos 4 igualaron o superaron los mejores resultados anteriores.
El método de ejecución se dividió en dos modalidades:
Modalidad multiobjetivo: permitir que Claude procese múltiples objetivos en la misma tarea de 48 horas, pudiendo utilizar hasta 12500 horas de GPU H100.
Modalidad objetivo único: enfocarse en un solo objetivo a la vez, cada tarea se ejecuta en paralelo durante 24 horas, cada objetivo puede usar hasta 2500 horas de GPU H100.
El experimento demostró que concentrarse es mejor que hacer multitarea.
En la modalidad multiobjetivo, las tasas de acierto generales de Mythos Preview y Opus 4.8 fueron del 26.7% y 22.6%, respectivamente.
Al cambiar a la modalidad objetivo único, Mythos Preview alcanzó directamente el 35.1%.
El rendimiento en algunos objetivos incluso dejó atrás los logros humanos anteriores.
Por ejemplo, RBX1, un objetivo que participa en la regulación de la degradación de proteínas. En un concurso de diseño organizado anteriormente por Adaptyv Bio, la tasa de acierto general de todos los participantes fue de solo el 3.7%, mientras que cuando Mythos Preview lo desafió individualmente, la tasa de acierto alcanzó el 40%.
No solo fue más fácil acertar, sino que el diseño número uno de Claude resultó ser una proteína de unión de alta afinidad, con una fuerza de unión que superó al campeón seleccionado entre los 245 diseños participantes en esa competición.
Luego estaba el objetivo más difícil, TNFα, una proteína de señalización inflamatoria liberada por el sistema inmunológico.
Dado que el sitio de unión adecuado está escondido en un surco formado por dos proteínas, varios equipos de expertos habían fracasado anteriormente en este punto.
Resulta que Mythos Preview no pudo resolver este problema, pero Opus 4.8 lo logró:
Opus 4.8 no solo diseñó múltiples proteínas de unión efectivas, sino que algunas de ellas podían unirse simultáneamente al TNFα humano, de macaco cangrejero y de ratón.
Esta capacidad de unión entre especies es clave, porque al pasar a los experimentos con animales, no es necesario rediseñar para cada especie.
Sin embargo, surge una pregunta:
¿Por qué fracasó Mythos Preview, que en general es más potente, mientras que Opus 4.8 tuvo éxito?
La Compañía A admite que tampoco lo entiende.
Solo se puede decir que la capacidad de investigación de los grandes modelos aún no es uniforme.
Cuando Claude continuó desafiando las estructuras de hoja β, más difíciles de diseñar, logró producir 15 proteínas de unión efectivas en 6 objetivos.
Pero al cambiar a la proteína de unión a maltosa MBP, Claude fracasó por completo—
De 90 diseños, ninguno se confirmó exitoso, solo uno mostró una señal débil.
Por lo tanto, es prematuro decir en este momento que "introduciendo un objetivo, Claude puede escupir automáticamente un nuevo fármato", pero Claude ya ha demostrado que:
Puede gestionar de manera autónoma modelos especializados, completando el flujo de diseño que antes requería que los expertos dedicaran mucho tiempo a organizar y filtrar.
Este paso ya es suficientemente grande.
Después de diseñar nuevas moléculas, Claude comenzó a leer datos experimentales
Sin embargo, los experimentos de la Compañía A no se detuvieron aquí.
Además de investigar si Claude puede diseñar cosas nuevas, también querían ver:
Ante un compuesto ya producido, ¿puede Claude leer de forma independiente los datos experimentales y determinar qué es exactamente y su pureza?.
Esta vez salió a escena el Claude Opus 5 de uso general.
La tarea provino de dos trabajos bastante rutinarios y tediosos en química analítica:
Espectroscopia de resonancia magnética nuclear RMN: observar las señales de los átomos de hidrógeno en la molécula para confirmar "si lo producido es la molécula objetivo".
Análisis de cromatografía líquida-espectrometría de masas LC-MS: separar los diferentes componentes de la muestra y luego medir su peso molecular y contenido para determinar "la pureza de la muestra y qué más contiene".
Este trabajo requiere que el químico procese manualmente los datos brutos en formatos propietarios, calibrando, encontrando picos, integrando y verificando paso a paso, y finalmente redactando un informe.
Son muchos pasos y dependen mucho de la experiencia, cualquier desviación puede llevar a conclusiones erróneas.
Anthropic esta vez solo le dio a Claude los archivos brutos devueltos por el laboratorio, junto con dos frases de instrucciones de la tarea.
Sin software del fabricante, ni personal de operaciones guiando al lado (p.d.: los datos y prompts relevantes ya son de código abierto).
Claude completó el análisis de RMN y LC-MS en 23 y 19 minutos, respectivamente.
En RMN, Claude organizó 18 picos de señal y calculó el número de átomos de hidrógeno correspondientes a cada pico, con un error que no superaba los 0.08 átomos de hidrógeno en comparación con el laboratorio.
También descubrió que 4 de los picos anchos podrían provenir de hidrógenos unidos a nitrógeno u oxígeno, por lo que sugirió agregar agua pesada para una verificación adicional.
Este es un método de exclusión común; después de agregar agua pesada, las señales de ciertos átomos de hidrógeno específicos se debilitan o desaparecen, permitiendo a los químicos inferir la estructura molecular.
Casualmente, el laboratorio también realizó posteriormente la misma verificación.
Después de la verificación, Claude inicialmente pensó que las 4 señales habían desaparecido, pero tras una auto-revisión se dio cuenta de que estaba equivocado y corrigió activamente a solo dos desapariciones, llegando a una conclusión final consistente con el laboratorio.
En LC-MS fue más directo.
Ante archivos del fabricante sin especificaciones de formato público, Claude primero averiguó por sí mismo cómo se codificaban los datos, y luego verificó que el archivo no se había leído incorrectamente reproduciendo los 2664 registros de escaneo.
Posteriormente, proporcionó el cromatograma, el espectro de masas, la tabla de pureza y el peso molecular, y además escribió un conjunto de código de análisis reutilizable.
Finalmente, Claude midió una pureza de muestra del 96.4%, y el resultado del laboratorio fue del 96.33%.
Solo una diferencia de 0.07 puntos porcentuales.
La Compañía A escribió en su conclusión:
Ambos experimentos apuntan a una misma cosa: la IA está reduciendo el umbral de especialización, el costo y el tiempo requeridos para la investigación en ciencias de la vida. En el análisis químico, Claude está empezando a asumir tareas de procesamiento que antes dependían del trabajo manual; en el diseño de proteínas, Claude puede completar de extremo a extremo el diseño de ligandos con una entrada mínima, y algunos resultados igualan o incluso superan los mejores diseños anteriores.
Aunque todavía estamos lejos del verdadero desarrollo de nuevos fármacos, al menos la IA ya nos ha mostrado la posibilidad de acelerar este proceso.
Aún dejó un huevo de pascua
Al final del blog, la Compañía A también subrayó un punto para los científicos.
Este experimento de proteínas utilizó Mythos Preview y Opus 4.8; en cuanto al más potente Fable 5, actualmente no está disponible para tareas de ciencias de la vida para usuarios comunes.
La razón es directa: poder diseñar proteínas farmacéuticas también podría usarse para investigaciones biológicas peligrosas.
Sin embargo, la Compañía A ya ha anunciado que está preparando un plan de acceso exclusivo para científicos, y publicará más información posteriormente.
Informe técnico completo: https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf
Dirección de código abierto de prompts y datos relevantes: https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main
Enlaces de referencia:
[1]https://www.anthropic.com/research/Claude-accelerates-protein-design
[2]https://x.com/AnthropicAI/status/2089842387845804246
Este artículo proviene del canal público de WeChat "Quantum Bit", autor: Yishui
