Claude designade proteiner mot 15 mål. När de gjordes i ett laboratorium arbetade de mot 14
AI har redan förvånat oss inom matematikområdet, och nu vill det göra det inom kemi. Detta är verkligen vad Anthropic har åstadkommit, som fick Claude att arbeta självständigt i cirka 48 timmar för att lösa ett klassiskt problem i utvecklingen av nya läkemedel: proteindesign. Resultaten är lovande, även om de bara löser en del av problemet.
Claude, designa mig lite proteiner. Anthropic, som nyligen lanserade sitt Claude Science-program, gav sin AI-modell tillgång till vetenskaplig litteratur, internet och hårdvaruresurser, förutom flera modeller specialiserade på proteindesign, sekvensering och vikning. Modellen analyserade all data för att avgöra var den var tvungen att attackera varje proteindesign.
Sedan genererade den kandidater, optimerade dem, kasserade de sämsta och valde vilka som skulle skickas till laboratoriet för att syntetiseras. Han gjorde det också helt självständigt. "Vi är nära att AI löser ett problem och människor kan inte förklara det": matematiker ger sin åsikt om AI Bra resultat. Läkemedelsföretagen Adaptyv Bio och Twist Bioscience skapade fysiskt de föreslagna designerna och kontrollerade om de verkligen uppfyllde målet.
Av de 15 designerna som gav giltiga resultat uppnådde Claude Opus 4.8 och Mythos Preview bindemedel för 14, och producerade 354 funktionella proteiner från 1 320 designs. Enligt dessa tester arbetade mellan 22,6 % och 35,1 % av kandidaterna, när enligt Anthropic de konventionella siffrorna är mellan 10 och 15 %. Vad är egentligen en pärm?
I dessa experiment är målet inte att direkt skapa ett läkemedel, utan att hitta proteiner som kan binda mycket exakt till andra specifika proteiner, som om de vore nycklarna som öppnar ett specifikt lås.
Dessa proteiner kallas proteinbindare. Forskare väljer olika målproteiner – vissa relaterade till biologiska processer eller sjukdomar – och försöker designa bindemedel som fäster starkt vid dem. Att erhålla det kan senare tjäna till att blockera eller modifiera dess aktivitet och även bidra till utvecklingen av en behandling, men att hitta ett bra bindemedel är bara ett första steg: ett bindemedel är ännu inte ett läkemedel.
Vetenskaplig dirigent. Modellen upptäckte inget speciellt av sig själv, och blev faktiskt orkestratorn av vetenskapliga verktyg som redan fanns och som forskare använder. Han utnyttjade data och verktyg för att föreslå sina lösningar, och det är intressant eftersom Claude inte behöver vara en specialiserad modell, utan det räcker för att han ska veta vilket verktyg han ska använda, när man ska använda det och hur man ska fortsätta processen.
Framgångar och några andra misslyckanden. I ett av experimenten som kallas RBX1, uppnådde Mythos Preview 40 % jämfört med de 3,7 % som deltagarna fick i en tävling anordnad av Adaptyv Bio, och dess bästa design överträffade sina konkurrenter i affinitet. Opus 4.8 uppnådde också flera bindemedel mot TNFa, ett mycket terapeutiskt intressant protein som hade ställt till problem för olika experter.
Ändå fanns det också misslyckanden: ingen av de 90 designerna som skapades mot MBP producerade en bekräftad pärm. Några av pärmarna skapade av Anthropics AI-modeller under experiment.
Ett andra avslöjande experiment. När en kemist syntetiserar en molekyl måste han kontrollera om han verkligen har gjort det han tänkt sig och hur stor procentandel av provet som motsvarar rätt förening. För att göra detta använder den tekniker som NMR och LC-MS, som genererar råfiler som sedan bearbetas med specialiserad programvara.
Anthropic gav dessa filer till Opus 5 och bad den att göra det arbetet, och efter bara 20 minuter för varje teknik beräknade den en renhet på 96,4 %, praktiskt taget identisk med laboratoriets 96,33 %. Vad Claude i huvudsak uppnådde var att automatisera en tråkig analytisk uppgift som kräver expertis från en specialiserad kemist.
AI-forskare. Dessa prestationer tyder på att en AI-modell kan bli en forskningsagent som kan dokumenteras med specialiserad vetenskaplig litteratur och sedan använda dessa data för att använda specifik programvara för att bestämma nästa steg i forskningsprocessen. Från matematik flyttar vi hit till design och skapande av droger, och även om vi är långt ifrån att kunna säga att AI kan designa nya läkemedel, är Anthropics framsteg med Claude slående.
I Xataka | Mikroskop hade varit beroende av mänskliga operatörer i nästan ett sekel. Kina vill ändra det med AI
Originalkälla
Publicerad av Xataka
19 august 2026, 17:31
Denna artikel har översatts automatiskt från spanska. Klicka på länken ovan för att läsa originaltexten.
Visa originaltext (spanska)
Rubrik
Claude diseñó proteínas contra 15 objetivos. Cuando las fabricaron en un laboratorio, funcionaron contra 14
Beskrivning
La IA ya nos ha asombrado en el ámbito de las matemáticas, y ahora quiere hacerlo en el de la química. Es desde luego lo que ha logrado Anthropic, que puso a trabajar a Claude de forma autónoma durante unas 48 horas para resolver un problema clásico del desarrollo de nuevos medicamentos: el diseño de proteínas. Los resultados son prometedores, aunque solo resuelven parte del problema. Claude, diséñame unas proteínas. Anthropic, que inauguró recientemente su programa Claude Science, le dio a su modelo de IA acceso a literatura científica, internet y recursos hardware, además de varios modelos especializados en diseño, secuenciación y plegamiento de proteínas. El modelo analizó todos los datos para decidir dónde tenía que atacar cada diseño de proteínas. Luego generó candidatos, los optimizó, descartó los peores y eligió cuáles debían mandarse al laboratorio para sintetizarlos. Lo hizo además de forma totalmente autónoma. "Estamos cerca que la IA resuelva un problema y los humanos no puedan explicarlo": los matemáticos opinan sobre la IA Buenos resultados. Las firmas farmacéuticas Adaptyv Bio y Twist Bioscience crearon físicamente los diseños propuestos y comprobaron si realmente cumplían con el objetivo. De los 15 diseños que dieron resultados válidos, Claude Opus 4.8 y Mythos Preview consiguieron binders para 14, produciendo 354 proteínas funcionales a partir de 1.320 diseños. Según esas pruebas, entre el 22,6% y el 35,1% de los candidatos funcionaron, cuando según Anthropic las cifras convencionales están entre el 10 y el 15%. ¿Qué es exactamente un binder? En estos experimentos el objetivo no es crear directamente un medicamento, sino encontrar proteínas capaces de unirse de forma muy precisa a otras proteínas concretas, como si fueran las llaves que abren una cerradura específica. A esas proteínas se las denomina protein binders. Los investigadores eligen distintas proteínas objetivo —algunas relacionadas con procesos biológicos o enfermedades— y tratan de diseñar binders que se adhieran fuertemente a ellas. Conseguirlo puede servir después para bloquear o modificar su actividad y también para contribuir al desarrollo de un tratamiento, pero encontrar un buen binder es solo un primer paso: un binder no es todavía un fármaco. Director de orquesta científico. EL modelo no descubrió nada especial por sí mismo, y en realidad se convirtió en el orquestador de herramientas científicas que ya existían y que los investigadores utilizan. Aprovechó los datos y las herramientas para plantear sus soluciones, y eso es interesante porque Claude no necesita ser un modelo especializado, sino que le basta con saber qué herramienta usar, cuándo usarla y como continuar el proceso. Éxitos y algún que otro fracaso. En uno de los experimentos llamado RBX1, Mythos Preview logró un 40% frente al 3,7% obtenido por los participantes de una competición organizada por Adaptyv Bio, y su mejor diseño superó en afinidad a sus competidores. Opus 4.8 también logró varios binders contra TNFa, una proteína muy interesante terapéuticamente y que había planteado problemas a diversos expertos. Aun así, también hubo fracasos: ninguno de los 90 diseños creados contra MBP produjo un binder confirmado. Algunos de los binders creados por los modelos de IA de Anthropic durante los experimentos. Un segundo experimento revelador. Cuando un químico sintetiza una molécula, tiene que comprobar después si ha fabricado realmente lo que pretendía y qué porcentaje de la muestra corresponde al compuesto correcto. Para eso utiliza técnicas como NMR y LC-MS, que generan archivos en bruto que luego se procesan con software especializado. Anthropic le entregó esos archivos a Opus 5 y le pidió que hiciera ese trabajo, y tras apenas 20 minutos para cada técnica calculó una pureza del 96,4%, prácticamente idéntica al 96,33% del laboratorio. Lo que logró Claude en esencia fue automatizar una tarea de análisis que es tediosa y que requiere la experiencia de un químico especializado. Investigadores de IA. Estos logros plantean que un modelo de IA puede convertirse en un agente investigador que logre documentarse con literatura científica especializada, y luego use esos datos para utilizar software específico para decidir próximos pasos en el proceso de investigación. De las matemáticas pasamos aquí al diseño y creación de fármacos, y aunque estamos lejos de poder decir que la IA puede diseñar nuevos fármacos, el avance de Anthropic con Claude es llamativo. En Xataka | Los microscopios llevaban casi un siglo dependiendo de operadores humanos. China quiere cambiar eso con IA (function() { window._JS_MODULES = window._JS_MODULES || {}; var headElement = document.getElementsByTagName('head')[0]; if (_JS_MODULES.instagram) { var instagramScript = document.createElement('script'); instagramScript.src = 'https://platform.instagram.com/en_US/embeds.js'; instagramScript.async = true; instagramScript.defer = true; headElement.appendChild(instagramScript); } })(); - La noticia Claude diseñó proteínas contra 15 objetivos. Cuando las fabricaron en un laboratorio, funcionaron contra 14 fue publicada originalmente en Xataka por Javier Pastor .
