La inteligencia artificial amplía su impacto: de revolucionar el ámbito matemático, ahora se posiciona como protagonista en el diseño molecular dentro de la química. Recientemente, el modelo Claude se utilizó de manera completamente autónoma durante 48 horas para abordar uno de los desafíos más significativos en el desarrollo de medicamentos: la creación de nuevas proteínas.
Este experimento no solo marca un avance en el uso de IA para la investigación científica, sino que también demuestra su capacidad para coordinar herramientas y recursos especializados, logrando resultados prometedores en la generación de moléculas funcionales.
Cómo la IA logró orquestar la creación de nuevas moléculas
El salto de la IA a la química se materializó cuando Claude activó su programa, permitiendo que Claude accediera a literatura científica, internet y hardware avanzado. Además, el sistema integró modelos específicos dedicados au design, séquençage et pliage de protéines.
A partir de la información recopilada, el modelo identificó los puntos estratégicos para intervenir en el diseño proteico, generó varias propuestas, optimizó las más prometedoras y descartó las menos viables. Posteriormente, seleccionó qué diseños debían ser enviados a laboratorios para su síntesis, ejecutando todo este proceso sin intervención humana directa.
El siguiente paso fue la validación experimental. Empresas farmacéuticas fabricaron en laboratorio los diseños seleccionados por Claude y evaluaron su desempeño. De un total de 1.320 propuestas, se obtuvieron 354 proteínas funcionales.
Los resultados indicaron que entre el 22,6 % y el 35,1 % de los candidatos fueron exitosos, superando holgadamente los porcentajes habituales para este tipo de experimentos, que suelen oscilar entre el 10 % y el 15 %.
En estos ensayos, el objetivo principal no era desarrollar un medicamento directamente, sino crear proteínas capaces de unirse con precisión a otras moléculas objetivo, conocidas como protein binders.
Estas proteínas funcionan como llaves que encajan en cerraduras específicas, permitiendo bloquear o modificar el comportamiento de otras proteínas. Aunque un binder no equivale a un fármaco, su hallazgo es un paso esencial en el desarrollo de tratamientos médicos más avanzados.
Herramientas científicas y coordinación autónoma con IA
A diferencia de otros modelos diseñados exclusivamente para tareas científicas, Claude se destacó por su capacidad para actuar como coordinador de diversas herramientas ya existentes en la comunidad investigadora.
El modelo no se limitó a descubrir nuevas soluciones por sí mismo, sino que supo identificar cuándo y cómo utilizar cada recurso disponible, aplicando estrategias basadas en datos y software especializado.
En uno de los experimentos más relevantes, denominado RBX1, Claude alcanzó un 40 % de éxito, superando ampliamente el 3,7 % conseguido por participantes humanos en una competición anterior. Además, uno de sus diseños mostró una afinidad superior respecto a los de los competidores.
Por otra parte, el modelo también logró generar varios binders contra TNFa, una proteína con relevancia terapéutica que había presentado dificultades a otros expertos. Sin embargo, no todos los intentos fueron exitosos: en el caso de la proteína MBP, ninguno de los 90 diseños generados por Claude logró producir un binder confirmado.
Automatización de tareas de análisis químico mediante IA
El potencial de la inteligencia artificial en química no se limita al diseño molecular. Claude se sometió a un segundo experimento, esta vez enfocado en la síntesis y análisis de moléculas. Cuando un químico produce una molécula, debe verificar si ha obtenido el compuesto deseado y en qué proporción.
Para ello, se emplean técnicas como la resonancia magnética nuclear (NMR) y la cromatografía líquida acoplada a espectrometría de masas (LC-MS), que ofrecen datos en bruto que requieren interpretación especializada.
El modelo tardó apenas 20 minutos en cada tarea y determinó una pureza del 96,4 %, cifra prácticamente idéntica al 96,33 % obtenida por profesionales en laboratorio.
Este resultado pone de manifiesto la capacidad de la IA para automatizar procesos tediosos y que tradicionalmente dependen de la experiencia humana.