IA e ingeniería de proteínas · global
Claude diseña de forma autónoma ligandos de proteínas, con validación experimental en 14 de 15 dianas
Dos laboratorios independientes confirmaron que 354 de 1.320 diseños de IA podían unirse a sus dianas, con una tasa de acierto superior al intervalo de referencia de los programas habituales de diseño de proteínas; sin embargo, ser capaz de «capturar» una proteína todavía está muy lejos de convertirse en un fármaco seguro y eficaz.
Uno de los pasos que más tiempo consume en el diseño de fármacos proteicos consiste en identificar, entre una gran cantidad de secuencias candidatas, las moléculas que realmente pueden capturar una diana relacionada con una enfermedad. Anthropic presentó un experimento de diseño de ligandos de proteínas ejecutado de manera autónoma por Claude: entre las 15 dianas con resultados de medición interpretables, el modelo encontró para 14 de ellas ligandos confirmados mediante experimentos de laboratorio, lo que indica que la IA de propósito general podría estar empezando a intervenir en procesos iniciales de investigación y desarrollo que antes requerían múltiples rondas de cálculo y evaluación humana.
El informe técnico muestra que Claude Opus 4.8 y Mythos Preview llevaron a cabo varias tareas autónomas de diseño, de entre 24 y 48 horas, dirigidas a 16 dianas proteicas, utilizando herramientas existentes de diseño de proteínas para generar, evaluar y mejorar las secuencias de forma iterativa. Los investigadores enviaron 1.320 diseños para su evaluación experimental y confirmaron que 354 podían unirse a la diana, con una tasa global de acierto de aproximadamente el 27 %; según las distintas configuraciones experimentales, la tasa de éxito de cada diseño osciló entre el 22 % y el 35 %. Anthropic utilizó como comparación el intervalo habitual del 10 % al 15 % observado en programas anteriores de diseño de proteínas, pero las dianas, los umbrales de selección y los métodos de detección no eran completamente equivalentes, por lo que esta diferencia no puede interpretarse directamente como una clasificación estandarizada del rendimiento.
La importancia de estos resultados no reside únicamente en las simulaciones informáticas. Adaptyv Bio y Twist Bioscience sintetizaron por separado proteínas a partir de las secuencias entregadas por el modelo y emplearon distintos formatos experimentales para medir su capacidad de unión, reduciendo así el sesgo que podría provocar un único laboratorio o una única plataforma de análisis. Si se consideran solamente los diseños que Claude situó en primer lugar para cada diana y en cada tarea, el 49 % obtuvo confirmación experimental, lo que sugiere que la capacidad de clasificación del modelo podría ser tan importante como su capacidad de generación.
Los casos individuales también mostraron señales de potencia más concretas. Para RBX1, implicada en la ubiquitinación de proteínas, 28 de las 90 secuencias propuestas por Claude se unieron con éxito; el ligando más potente presentó una afinidad de 3,9 nanomolar, mientras que el diseño ganador de una competición, evaluado en la misma placa experimental, presentó una afinidad de 45 nanomolar. No obstante, se trata de una comparación realizada con una sola diana y bajo condiciones de prueba específicas, por lo que no permite concluir que el modelo tenga la misma ventaja para todas las proteínas o tareas farmacológicas.
Anthropic también publicó en Hugging Face un conjunto de datos con resúmenes de 1.440 diseños correspondientes a 16 dianas, que incluye las secuencias de proteínas, las herramientas de generación, las rondas de optimización, la clasificación del modelo, las estructuras predichas y los datos de unión y afinidad obtenidos por las dos organizaciones experimentales. La cantidad de registros del conjunto de datos supera los 1.320 diseños experimentales principales mencionados anteriormente, lo que refleja que el material publicado abarca un registro más completo de las tareas; esta publicación permitirá que otros investigadores repitan los análisis y examinen si el modelo favorece determinadas estructuras proteicas o métodos de puntuación.
Los verdaderos obstáculos del desarrollo farmacológico comienzan a aparecer uno a uno después de confirmar la unión. Los ligandos aún deben demostrar que pueden modificar funciones relacionadas con la enfermedad y que poseen suficiente selectividad, estabilidad, capacidad de fabricación y exposición in vivo; este estudio tampoco respondió todavía a las cuestiones relativas a la respuesta inmunitaria, la toxicidad, la eficacia en animales ni los ensayos en seres humanos. Por tanto, estos resultados se interpretan mejor como una validación de la eficiencia en la generación y clasificación de candidatos iniciales, y no como una prueba de que la IA ya pueda completar de manera independiente el desarrollo de nuevos fármacos.