La inteligencia artificial está cruzando límites entre disciplinas y, según las evidencias disponibles, ya opera como protagonista en el diseño molecular dentro de la química. En un caso destacado, Claude de Anthropic accedió de forma autónoma a literatura científica, internet y hardware avanzado para abordar uno de los retos más significativos en el desarrollo de medicamentos: la creación de nuevas proteínas. El experimento se enmarca en un periodo de 48 horas durante el cual el modelo coordinó herramientas y recursos especializados, ejecutando procesos complejos sin intervención humana directa. Este hecho subraya la creciente capacidad de la IA para gestionar cadenas de trabajo que tradicionalmente requieren supervisión humana.
Según la información filtrada de los experimentos, Claude identificó puntos estratégicos para intervenir en el diseño proteico, generó varias propuestas y optimizó las más prometedoras, descartando las menos viables. Luego, determinó qué diseños debían ser enviados a laboratorios para su síntesis, coordinando la ejecución de estas tareas. El siguiente paso consistió en la validación experimental en laboratorios de empresas como Adaptyv Bio y Twist Bioscience, que fabricaron en laboratorio los diseños seleccionados y evaluaron su desempeño. De un total de 1.320 propuestas analizadas, se lograron 354 proteínas funcionales, con un rango de éxito entre el 22,6 % y el 35,1 % para diferentes conjuntos de candidatos, porcentajes que superan de forma notable los márgenes habituales en este tipo de trabajos, que suelen oscilar entre el 10 % y el 15 %. Estas proteínas funcionarían como «binders» o llaves que encajan con precisión en moléculas objetivo, permitiendo bloquear o modular el comportamiento de otras proteínas.
Uno de los escenarios más destacados fue el experimento RBX1, en el que Claude alcanzó un 40 % de éxito, cifra que contrasta con el 3,7 % obtenido por participantes humanos en una competencia previa. Además, uno de los diseños mostró una afinidad superior frente a los de competidores, subrayando el potencial de la IA para generar diseños protioespecíficos con alta probabilidad de interacción favorable. Por otro lado, no todos los intentos resultaron exitosos: en el caso de la proteína MBP, ninguno de los 90 diseños generados por Claude logró producir un binder confirmado, lo que ilustra que, a pesar de los avances, persisten límites y desafíos en dominios específicos de la biología estructural.
Más allá del diseño, la fase de síntesis y análisis de moléculas recibió otro impulso. Anthropic sometió a Claude a un segundo experimento centrado en la verificación de productos sintetizados y el análisis de pureza. Para estas tareas, se recurrió a técnicas como resonancia magnética nuclear (NMR) y cromatografía líquida acoplada a espectrometría de masas (LC-MS). Los archivos generados por estas técnicas fueron proporcionados a Opus 5 para su análisis, y el sistema tardó aproximadamente 20 minutos en cada tarea de interpretación. Claude estimó una pureza del 96,4 %, cifra virtualmente idéntica al 96,33 % reportada por profesionales en laboratorio, lo que ilustra la capacidad de la IA para automatizar procesos que históricamente dependían de la experiencia humana y la interpretación de datos experimentales.
El conjunto de resultados disponibles sugiere que el salto de la IA a la química no es meramente conceptual, sino una realidad operacional con múltiples capas: desde el diseño de proteínas capaces de unirse con precisión a ligandos específicos, hasta la verificación y cuantificación de la pureza de moléculas sintetizadas. En este marco, Claude no solo actúa como una herramienta de descubrimiento, sino como un coordinador que integra distintas piezas de un complejo ecosistema de laboratorio, literatura científica y plataformas analíticas. En el balance de estos hallazgos, la investigación señala que la combinación de generación de propuestas, selección de diseños para síntesis y análisis automatizado podría acelerar etapas clave en la investigación farmacéutica y en el desarrollo de terapias basadas en proteínas.
Si bien los resultados resultan alentadores, los protagonistas dejan claro que la IA, en este estadio, continúa siendo una aliada para la exploración y validación de propuestas, no un sustituto directo de la experimentación humana. La experiencia de Claude evidencia una escalabilidad notable y una capacidad para gestionar flujos de trabajo complejos, pero también evidencia límites cuando se enfrentan dominios biológicos particularmente desafiantes, como MBP. En esa línea, los records de rendimiento observados en RBX1 y en la generación de TNFa-binders contrasta con la necesidad de validación experimental y de evaluación de seguridad que acompañan a cualquier avance en diseño molecular. A la vista de estos avances, el encaje de estas herramientas en la investigación farmacéutica podría implicar una reorganización de protocolos y una mayor adopción de sistemas automatizados de asistencia en la toma de decisiones y en la verificación de resultados.
El panorama descrito apunta a un futuro cercano en el que la IA dota de mayor productividad a laboratorios y equipos de investigación, optimizando la coordinación entre generación de ideas, experimentación y análisis de datos. Aunque los datos presentados corresponden a un conjunto de experiencias específicas de Claude y de empresas colaboradoras, el conjunto de hallazgos invita a un escrutinio disciplinado y a la replicación de resultados en otros contextos para consolidar estos avances. En suma, la IA en química empieza a reconfigurar etapas de la investigación y podría abrir la puerta a nuevos enfoques terapéuticos más rápidos y eficientes cuando se acompañe de una verificación rigurosa y de gobernanza adecuada sobre el uso de IA en laboratorios.
