Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Durante 48 horas, Anthropic dejó a Claude trabajar de forma autónoma en una tarea que suele avanzar entre ensayo, error y mucha paciencia de laboratorio.
El objetivo no era escribir texto ni resolver un examen, sino diseñar proteínas de unión útiles para desarrollo de medicamentos. Para eso, la empresa inauguró Claude Science y dio al modelo acceso a literatura científica, internet, recursos informáticos y modelos especializados.
La IA acertó en 14 de 15 objetivos válidos
Ahí aparece el dato que cambia la escala del experimento, porque los modelos Claude Opus 4.8 y Mythos Preview lograron proteínas de unión para 14 de 15 objetivos válidos.
Adaptyv Bio y Twist Bioscience fabricaron en laboratorio los diseños que propuso la inteligencia artificial. Ese paso importa porque separa la promesa de pantalla del resultado que aguanta una prueba física.
De 1.320 diseños generados salieron 354 proteínas funcionales.
Traducido a tasas de acierto, los candidatos funcionaron entre el 22,6% y el 35,1%. Anthropic sitúa las cifras convencionales entre el 10% y el 15%, una distancia que convierte el experimento en algo más que una simple demostración interna.
De hecho, el terreno no fue uniforme, como ya ocurrió en proteínas nuevas para medicina, donde cada avance abre preguntas distintas según el blanco molecular. Claude Opus 4.8 sí logró proteínas de unión contra TNFa, pero ninguno de los 90 diseños creados contra MBP produjo una unión confirmada.
Un experimento dejó una diferencia difícil de ignorar
Hay una comparación que resume bien la distancia entre unas condiciones y otras.
En el experimento RBX1, Mythos Preview alcanzó un 40% de éxito frente al 3,7% logrado por participantes de una competición de Adaptyv Bio. No es una diferencia pequeña, porque habla de cuántas propuestas sobreviven cuando pasan del cálculo a la comprobación.
También conviene mirar el otro extremo.
Si una diana como MBP terminó con cero uniones confirmadas entre 90 diseños, el mensaje no es que el problema haya quedado resuelto, sino que la capacidad del modelo cambia mucho según la proteína a la que apunta. En biología, una buena racha rara vez elimina la parte incómoda del mapa.
Claude también leyó datos de laboratorio con una precisión casi calcada
Anthropic no limitó la prueba al diseño molecular.
La empresa entregó archivos en bruto de NMR y LC-MS al modelo Opus 5 para analizar pureza, una tarea más cercana a la lectura de instrumentos que a la generación de hipótesis. Opus 5 calculó una pureza del 96,4% en 20 minutos por técnica, frente al 96,33% obtenido en el laboratorio.
Esa diferencia cabe en siete centésimas.
El detalle resulta llamativo porque junta dos escenas que hasta hace poco parecían separadas, la IA que propone moléculas y la IA que revisa datos instrumentales. En una cobertura reciente sobre IA autónoma en Anthropic, la discusión giraba alrededor del control; aquí el contraste aparece dentro del laboratorio, entre la velocidad de 20 minutos y una medición experimental de 96,33%.
El balance final no es lineal y quizá por eso resulta más interesante. Claude acertó en 14 de 15 objetivos válidos, produjo 354 proteínas funcionales y rozó la medición de pureza del laboratorio, pero también dejó 90 diseños contra MBP sin una sola unión confirmada.