Claude supera a la biología tradicional con 17 ligandos activos contra toxinas de escorpión
Anthropic ha puesto a prueba su modelo Claude en el diseño autónomo de proteínas que capturan neurotoxinas de escorpiones, logrando 17 candidatos funcionales tras generar más de 300.000 propuestas en 24 horas.
Anthropic ha llevado a Claude a un terreno poco explorado por la inteligencia artificial: la creación de ligandos proteicos capaces de neutralizar neurotoxinas mortales. El proyecto, anunciado el 21 de octubre de 2026, se centró en cinco toxinas procedentes de cuatro especies de escorpión, responsables de más de 3.250 muertes al año en todo el mundo.
El experimento y el papel de Claude
Tras una única instrucción inicial, Claude trabajó de forma casi autónoma durante 24 horas, generando 318.484 diseños de pequeñas proteínas diseñadas para adherirse a los objetivos moleculares. El proceso se ejecutó dentro de Claude Science, el entorno de investigación interno de Anthropic, que permite a los científicos interactuar con el modelo mediante prompts y ajustes de dirección.
Una vez completada la fase de generación, el equipo de investigación filtró los diseños. Claude seleccionó 180 candidatos y los investigadores añadieron 31 propuestas adicionales, totalizando 211 moléculas que pasaron a pruebas de laboratorio.
Rendimiento comparativo y métricas de aciertos
De los 211 compuestos evaluados, 17 cumplieron los criterios de unión establecidos por los experimentadores. Entre ellos, dos mostraron la mayor afinidad hacia Cn2, la toxina del escorpión mexicano Centruroides noxius. Los ensayos in vitro indicaron que estos dos ligandos se anclan en o cerca del mismo sitio que un anticuerpo previamente demostrado neutralizador en ratones.
En términos de tasa de éxito, el experimento representa un 8 % de aciertos (17/211), cifra que supera el rango típico del 10‑15 % reportado para métodos tradicionales de descubrimiento de ligandos, aunque está por debajo del 22‑35 % alcanzado por Claude en un estudio anterior que abordó 14 de 15 proteínas objetivo. La diferencia se explica en parte por la complejidad de las toxinas neurotóxicas, que presentan superficies de unión más difíciles de modelar.
- Diseños generados: 318.484
- Candidatos seleccionados: 211
- Ligandos activos: 17 (8 % de éxito)
- Mejores afinidades: 2 contra toxina Cn2
Implicaciones para la investigación de antídotos
El hallazgo de ligandos que compiten con anticuerpos conocidos abre la puerta a una estrategia de antídoto basada en proteínas sintéticas, potencialmente más barata y escalable que la producción de anticuerpos monoclonales. Sin embargo, los autores advierten que aún no se ha demostrado la capacidad de estos ligandos para neutralizar la toxina en organismos vivos; los ensayos in vivo siguen pendientes.
Expertas externas, como Susana Vázquez Torres y Timothy P. Jenkins, calificaron el trabajo de «prometedor primer paso». Dos laboratorios independientes replicaron los resultados, lo que refuerza la fiabilidad de los hallazgos pero no elimina la necesidad de validaciones clínicas extensas.
Qué implica para la comunidad científica y la IA
El experimento pone de relieve varias tendencias emergentes:
- Automatización del diseño de fármacos: Claude ha demostrado que la generación masiva de propuestas puede reducir el tiempo de exploración de espacio de diseño de semanas a horas.
- Colaboración humano‑IA: aunque el modelo opera de forma autónoma, la intervención humana sigue siendo esencial para filtrar, validar y orientar los resultados.
- Transparencia y reproducibilidad: la publicación de los números exactos de diseños y aciertos permite a la comunidad evaluar objetivamente el valor añadido de la IA frente a métodos tradicionales.
El proyecto también plantea preguntas sobre la expectativa pública. La cobertura mediática tiende a presentar estos resultados como «antídotos listos para usar», cuando en realidad la fase clínica está en su infancia. La presión de los medios y de los inversores podría impulsar a las empresas a sobreprometer, una práctica que el propio equipo de Anthropic parece intentar mitigar al publicar métricas crudas y reconocer limitaciones.
Perspectiva práctica para desarrolladores y laboratorios
Para los laboratorios que consideren incorporar IA en sus flujos de trabajo, la experiencia de Claude sugiere algunos criterios críticos:
- Acceso a recursos computacionales que soporten generación masiva (cientos de miles de diseños) sin incurrir en costos prohibitivos.
- Capacidad de integrar rápidamente los diseños en pipelines de expresión y purificación de proteínas.
- Procedimientos de validación estructural (por ejemplo, cristalografía o criomicroscopía) para confirmar la interacción prevista.
En última instancia, el éxito de Claude en este dominio refuerza la idea de que la IA puede acelerar la fase de descubrimiento temprano, pero no sustituye la necesidad de pruebas biológicas rigurosas. La comunidad deberá observar de cerca los próximos pasos: ensayos in vivo, optimización de afinidad y, eventualmente, estudios de seguridad antes de que cualquier candidato pueda considerarse un antídoto viable.
