Anthropic dejó que Claude diseñara proteínas por sí mismo, alcanzando 14 de 15 objetivos, un resultado que sorprendió a investigadores experimentados.
El 18 de agosto, Anthropic publicó los resultados de un experimento: Claude (Mythos Preview y Opus 4.8) completó de forma autónoma todo un flujo de trabajo de diseño de proteínas.
Dados 15 objetivos de proteínas, se le pidió diseñar nuevas proteínas que pudieran unirse a ellos, y tuvo éxito en 14 objetivos.
De 1.320 diseños, 354 fueron validados por dos laboratorios independientes, para una tasa de éxito general del 26,8%.
El promedio de la industria en este campo es del 10%–15%.
Los fijadores de proteínas son la base de muchos medicamentos: primero se diseña una molécula que pueda capturar la proteína objetivo, y solo entonces puede convertirse potencialmente en un fármaco.
Este proceso de diseño normalmente requiere semanas de cómputo, optimización y cribado por parte de ingenieros de proteínas.
De AlphaFold a Claude: predecir proteínas y diseñar proteínas son dos cosas diferentes
Lo que AlphaFold hizo en 2020: dada una secuencia de proteína, predecir la forma en que se pliega.
La entrada es conocida, la salida es una predicción.
Es un modelo de proteínas especialmente entrenado que hace una cosa a la perfección.
Lo que Claude hizo esta vez es diferente.
Solo recibió el nombre de la proteína objetivo, y la tarea era diseñar una proteína completamente nueva desde cero para unirse a ella.
La entrada es un nombre, la salida es una proteína nueva.
Uno es describir una imagen, el otro es escribir un ensayo sobre un tema dado.
Las herramientas que usó Claude eran todas disponibles: RFdiffusion, ProteinMPNN, ESMFold2; estos modelos de código abierto para el diseño y predicción de estructuras de proteínas han existido durante mucho tiempo, y cualquier laboratorio puede descargarlos.
Claude no inventó nuevas herramientas; hizo orquestación: el equipo de investigación escribió un prompt de aproximadamente 16.000 palabras, codificando el conocimiento práctico de los ingenieros de proteínas, incluyendo las etapas del experimento, las herramientas disponibles en cada etapa y los criterios de cribado.
Este prompt no especifica qué cara de la proteína atacar, no especifica qué método de generación usar, y no presupone ninguna secuencia.
Se le entregó a Claude, junto con una cuenta de servidor en la nube, y se le dejó ejecutar.
En modo multiobjetivo, una sesión procesó 14 objetivos en 48 horas; en modo de objetivo único, cada objetivo tomó 24 horas.
Los operadores humanos hicieron solo tres cosas: aprobar el acceso a la red, monitorear la infraestructura y enviar los diseños clasificados de Claude a dos laboratorios independientes (Adaptyv Bio y Twist Bioscience) para síntesis y pruebas; ningún humano intervino en ninguna decisión de diseño.
Claude mismo seleccionó objetivos, eligió epítopos, instaló herramientas, ejecutó modelos, cribó y optimizó, clasificó y entregó, invocando finalmente 10 métodos de generación de estructuras y combinando 24 combinaciones de herramientas.
Resultados
La tasa de éxito promedio actual en el campo del diseño de proteínas es del 10%–15%.
Claude logró entre el 22% y el 35% en diferentes modos, dos o tres veces el promedio de la industria.
https://x.com/AnthropicAI/status/2089842389682954621
Si solo observas el diseño mejor clasificado de Claude, la tasa de acierto es del 49%: por cada dos objetivos, el diseño mejor clasificado es directamente utilizable.
Los resultados de varios objetivos merecen una mención especial.
Adaptyv Bio organizó previamente un concurso público de diseño para una proteína llamada RBX1, donde participantes globales enviaron 245 diseños, y solo 9 tuvieron éxito.
Claude envió 90 diseños para el mismo objetivo, 28 tuvieron éxito, y el mejor diseño se unió al objetivo diez veces más fuertemente que el campeón del concurso.
TNFα es un objetivo más difícil: uno de los medicamentos más vendidos del mundo, Humira, funciona uniéndose a esta proteína, pero múltiples equipos de expertos habían intentado previamente el diseño de novo de uniones y todos fracasaron.
Opus 4.8 produjo 12 diseños efectivos, algunos de los cuales pudieron unirse de manera cruzada a TNFα humano, de mono y de ratón simultáneamente.
También hubo fracasos: en una proteína llamada MBP, los 90 diseños fracasaron.
Señales similares aparecieron en química analítica.
Dado los datos brutos de un instrumento de RMN de Claude Opus 5 y una instrucción de una frase, produjo resultados en 23 minutos, consistentes con las conclusiones del análisis manual de un químico de laboratorio que tarda de media hora a una hora.
Las dos direcciones experimentales difieren, pero la señal es consistente: Claude, un modelo de propósito general, produjo de manera autónoma resultados de nivel experto validados por laboratorios en 24 a 48 horas (48 horas en modo multiobjetivo, 24 horas en modo de objetivo único) en tareas de investigación que a los expertos les tomaría semanas.
En solo seis años, cambios que sacuden la tierra
Los unidores están lejos de ser medicamentos, con toxicología, ensayos clínicos y otros pasos en el medio, cada uno tomando años.
Todas las estructuras son predicciones computacionales, no validadas experimentalmente.
Claude utiliza todas las herramientas de código abierto. Anthropic ha abierto los prompts, los datos y todos los 1,440 modelos de diseño en HuggingFace, y cualquier laboratorio puede reproducirlos.
https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main
Este tipo de capacidad de investigación autónoma también conlleva riesgos de doble uso. Anthropic ha bloqueado capacidades biológicas como el diseño de proteínas en la versión pública de Claude.
Desde que AlphaFold predijo estructuras de proteínas hasta que Claude diseña proteínas de manera autónoma, solo han pasado seis años.
Referencias:
https://www.anthropic.com/research/Claude-accelerates-protein-design
https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf
Este artículo proviene de la cuenta pública de WeChat "新智元", autor: ASI启示录
