La compañía afirma que Claude logró diseñar proteínas capaces de unirse a 14 de 15 objetivos y procesar datos químicos en menos de 25 minutos, con resultados comparables a los de un laboratorio especializado. El avance apunta a automatizar etapas tempranas del descubrimiento de fármacos.
Anthropic está llevando sus modelos de inteligencia artificial desde el software hacia el laboratorio. La compañía presentó nuevos experimentos en los que Claude, utilizando sus modelos Mythos Preview, Opus 4.8 y Opus 5, logró diseñar proteínas desde cero y analizar datos de química experimental con una participación humana mínima.
El trabajo, publicado el 18 de agosto de 2026, se concentra en dos tareas que forman parte de las primeras etapas del desarrollo de medicamentos: el diseño de protein binders —proteínas pequeñas capaces de unirse a una proteína objetivo— y el análisis de datos obtenidos mediante técnicas como resonancia magnética nuclear (NMR) y cromatografía líquida-espectrometría de masas (LC-MS).
El resultado más llamativo apareció en una campaña de diseño de proteínas sobre 15 objetivos. Anthropic utilizó Claude Opus 4.8 y Mythos Preview, mientras que Adaptyv Bio y Twist Bioscience produjeron y probaron de manera independiente los diseños en laboratorio.
Claude consiguió diseñar proteínas capaces de unirse a 14 de los 15 objetivos. En total produjo 354 binders a partir de 1.320 diseños. Además, obtuvo proteínas de alta afinidad para al menos seis objetivos y diseños que igualaron o superaron la mejor afinidad publicada anteriormente para al menos cuatro de ellos.
La tasa de éxito también resulta relevante. En una sesión de 48 horas, Mythos Preview alcanzó una tasa de hit de 26,7%, mientras que Opus 4.8 llegó a 22,6%. Anthropic señala que actualmente las campañas de diseño de proteínas suelen registrar tasas de entre 10% y 15%. Cuando Mythos Preview trabajó sobre un objetivo por vez, mediante sesiones de 24 horas, la tasa subió a 35,1%.
Para realizar el experimento, los modelos tuvieron acceso a Internet, trabajos científicos, conectores con Google Drive, Slack, Gmail y BioRxiv, además de GPUs para ejecutar modelos especializados de diseño y plegamiento de proteínas. Anthropic utilizó hasta 12.500 horas de NVIDIA H100 en el modo de múltiples objetivos y hasta 2.500 horas de H100 por objetivo en el modo individual.
La diferencia respecto de un flujo tradicional está en el grado de autonomía. Una vez iniciado el experimento, Claude no recibió orientación científica, técnica u operativa adicional. El modelo decidió dónde trabajar sobre cada proteína, generó estructuras y secuencias, coordinó diferentes modelos especializados, realizó ciclos de optimización in silico y seleccionó candidatos para su posterior validación experimental.
Uno de los resultados más destacados se produjo con RBX1. Mythos Preview alcanzó una tasa de éxito del 40%, frente al 3,7% de los participantes de una competencia de diseño de proteínas organizada por Adaptyv Bio. El diseño mejor clasificado por Claude también superó en afinidad al diseño ganador de aquella competencia, que había sido seleccionado entre 245 propuestas.
Con TNFα, un objetivo biológicamente relevante asociado con procesos inflamatorios, el protagonista fue Opus 4.8. El modelo logró diseñar múltiples binders, algunos capaces de unirse a TNFα humana, de mono cynomolgus y de ratón. Anthropic destaca que este tipo de capacidad puede resultar importante para investigaciones posteriores con animales.
Pero Anthropic también encontró límites. Frente a MBP, una proteína bacteriana especialmente difícil, ninguno de los 90 diseños fue confirmado como binder, aunque uno mostró una señal débil y reproducible. Contra BBF-14, Claude produjo tres binders independientes con afinidades entre submicromolares y micromolares.
De diseñar proteínas a analizar moléculas
El segundo experimento apuntó a una tarea diferente: interpretar datos generados por instrumentos de laboratorio.
Claude Opus 5, un modelo de acceso general, recibió únicamente los archivos originales de un laboratorio contratado y una instrucción de dos frases. Sin utilizar el software especializado del fabricante ni la intervención de un operador, procesó en paralelo los datos de NMR y LC-MS en 23 y 19 minutos, respectivamente.
Los resultados fueron comparables con los obtenidos por el laboratorio. En NMR, la diferencia en el conteo de hidrógenos por pico fue inferior a 0,08 ¹H. En el análisis de pureza mediante LC-MS, Claude obtuvo 96,4%, frente al 96,33% calculado por el laboratorio.
El modelo incluso tuvo que interpretar un formato de archivo no documentado utilizado por el fabricante del instrumento. Claude reconstruyó cómo estaban codificados los datos y verificó su interpretación reproduciendo los totales registrados por el equipo para 2.664 escaneos antes de comenzar el análisis.
El contraste con el trabajo convencional es significativo. Anthropic señala que un químico normalmente puede dedicar entre 30 minutos y una hora por muestra a este tipo de análisis. Además, en el laboratorio utilizado como referencia, el informe final de la muestra llegó cuatro días después de la adquisición del primer espectro. Claude procesó e interpretó ambos archivos en paralelo dentro de aproximadamente 25 minutos y produjo también un informe escrito.
Anthropic advierte, sin embargo, que diseñar un protein binder de alta afinidad está lejos de significar que exista un nuevo medicamento. Los minibinders no son una modalidad terapéutica estándar y, incluso en medicamentos más habituales como anticuerpos monoclonales y moléculas pequeñas, el diseño de un binder es apenas una primera etapa.
La compañía también subraya el carácter dual-use de estas capacidades. La misma autonomía que puede acelerar terapias y descubrimientos científicos podría facilitar investigaciones peligrosas, incluida la creación de agentes biológicos. Por esa razón, Anthropic mantiene actualmente bloqueadas para acceso general algunas capacidades de investigación biológica de doble uso en sus modelos más avanzados.
El objetivo declarado por Anthropic va mucho más allá de automatizar una tarea puntual: la compañía pretende extender estas capacidades para que Claude pueda participar en el proceso completo de desarrollo de fármacos, atravesando distintas modalidades terapéuticas.
El experimento marca así un cambio relevante en la aplicación empresarial de la IA: Claude ya no aparece únicamente como una herramienta para analizar información científica, sino como un sistema capaz de orquestar modelos especializados, diseñar candidatos, interpretar resultados experimentales y decidir los siguientes pasos de una investigación. La frontera que Anthropic está probando ahora es cuánto de ese proceso puede ejecutarse de manera autónoma y cuánto seguirá necesitando de científicos humanos.
