Tecnología: la inteligencia artificial ya puede coordinar experimentos para crear nuevas moléculas

La inteligencia artificial dio un nuevo paso en la investigación química: el modelo Claude, desarrollado por Anthropic, fue utilizado durante 48 horas para diseñar proteínas, seleccionar las propuestas más prometedoras y coordinar herramientas científicas hasta llegar a diseños que posteriormente fueron fabricados y evaluados en laboratorio. El experimento muestra una evolución respecto del uso tradicional de la IA como herramienta de consulta o análisis, porque el sistema fue capaz de organizar diferentes etapas de un proceso científico y decidir qué recursos utilizar en cada momento.

El trabajo se desarrolló dentro del programa Claude Science, que permitió al modelo acceder a literatura científica, internet y hardware especializado. También pudo utilizar herramientas dedicadas al diseño, secuenciación y plegamiento de proteínas, lo que le permitió pasar de la búsqueda de información a la elaboración de propuestas concretas.

A partir de los datos disponibles, Claude identificó puntos estratégicos para intervenir en determinadas proteínas, generó diferentes diseños, optimizó los que consideró más prometedores y descartó aquellos con menores posibilidades. Posteriormente, seleccionó cuáles debían pasar a la etapa experimental, donde laboratorios especializados se encargaron de fabricar y probar las moléculas.

El resultado fue significativo. De 1.320 diseños propuestos por la inteligencia artificial, 354 dieron lugar a proteínas funcionales cuando fueron producidos y evaluados experimentalmente. Según los resultados informados, la tasa de éxito se ubicó entre 22,6% y 35,1%, por encima del 10% al 15% que suele observarse en experimentos de este tipo.

El objetivo de estas pruebas no era fabricar directamente un medicamento. Los investigadores buscaban desarrollar “protein binders”, proteínas capaces de unirse con precisión a determinadas moléculas objetivo. Estas estructuras pueden funcionar como una especie de llave molecular, capaz de bloquear o modificar la actividad de otra proteína.

Ese procedimiento es importante para la industria farmacéutica porque encontrar una proteína que se una de manera precisa a un objetivo biológico puede constituir una etapa inicial en el desarrollo de futuras terapias. Un binder no es un medicamento, pero puede convertirse en una pieza fundamental dentro del proceso que conduce a un tratamiento.

Uno de los experimentos más destacados estuvo relacionado con la proteína RBX1. En esa prueba, Claude consiguió una tasa de éxito del 40%, mientras que participantes humanos habían alcanzado anteriormente un 3,7% en una competición comparable. Además, uno de los diseños generados por el sistema presentó una afinidad superior a la de los diseños de los competidores.

El rendimiento, sin embargo, no fue uniforme. La IA también tuvo fracasos importantes. En las pruebas destinadas a crear binders contra la proteína MBP, ninguno de los 90 diseños generados consiguió producir un binder confirmado. Ese resultado es relevante porque demuestra que el avance no significa que la inteligencia artificial pueda resolver automáticamente cualquier problema químico.

La verdadera novedad del experimento está precisamente en la capacidad de coordinación. Claude no fue utilizado únicamente para generar una estructura molecular, sino para decidir qué herramientas emplear, interpretar resultados intermedios y seleccionar nuevos pasos de investigación.

Ese cambio puede tener consecuencias importantes para los laboratorios. Muchos procesos científicos requieren combinar bases de datos, programas especializados, análisis estadísticos, simulaciones y equipamiento experimental. Tradicionalmente, un investigador debe coordinar manualmente esas etapas y decidir qué hacer después de cada resultado.

La IA puede comenzar a ocupar parte de ese papel de coordinación. En lugar de responder una pregunta puntual, puede recibir un objetivo científico y trabajar sobre una secuencia de tareas hasta obtener resultados que posteriormente serán verificados por especialistas.

Anthropic también realizó un segundo experimento relacionado con el análisis químico. En este caso, el modelo recibió datos obtenidos mediante técnicas utilizadas habitualmente para determinar qué compuesto se produjo en un laboratorio y cuál es su nivel de pureza.

Entre las herramientas empleadas se encuentran la resonancia magnética nuclear (NMR) y la cromatografía líquida acoplada a espectrometría de masas (LC-MS). Ambas técnicas generan grandes cantidades de información que deben ser interpretadas para comprobar la identidad y composición de una sustancia.

Claude tardó aproximadamente 20 minutos en analizar cada conjunto de datos. En uno de los casos determinó una pureza del 96,4%, prácticamente idéntica al 96,33% obtenido previamente por profesionales de laboratorio.

Esto abre otra posibilidad: utilizar inteligencia artificial para automatizar tareas que consumen muchas horas de trabajo científico y que, aunque requieren conocimientos especializados, siguen procesos relativamente estructurados.

La combinación de estas capacidades plantea un cambio en la forma de trabajar con IA. El modelo deja de ser solamente un asistente que entrega información y comienza a funcionar como coordinador de herramientas científicas.

Eso no significa que los científicos puedan desaparecer del proceso. La fabricación y validación de las proteínas continúa dependiendo de laboratorios reales, equipamiento especializado y procedimientos experimentales. Los resultados generados por la IA deben ser comprobados físicamente antes de considerarlos válidos.

También existen límites relacionados con la interpretación. Un diseño que parece prometedor mediante simulaciones puede fracasar cuando se intenta producirlo en un laboratorio. La química y la biología contienen numerosas variables que no siempre pueden ser representadas completamente por un modelo computacional.

Por eso, la principal transformación puede estar en acelerar el ciclo entre hipótesis, diseño, experimentación y análisis, más que en reemplazar completamente al investigador.

Un proceso que antes podía requerir numerosas búsquedas, programas diferentes y decisiones sucesivas ahora puede ser coordinado parcialmente por un sistema de IA. Si esta capacidad se combina con laboratorios automatizados, el ritmo de experimentación podría aumentar considerablemente.

La industria farmacéutica es uno de los sectores que más podría beneficiarse. Diseñar moléculas capaces de actuar sobre objetivos biológicos específicos es una de las etapas más complejas y costosas del desarrollo de medicamentos. Una herramienta capaz de aumentar la proporción de diseños que llegan con éxito a la fase experimental podría reducir tiempos y recursos.

Pero todavía queda un largo camino entre crear una proteína funcional y desarrollar un medicamento seguro y eficaz. Después del diseño molecular vienen numerosas etapas de investigación, pruebas de estabilidad, toxicidad, eficacia, interacción con otros componentes y, eventualmente, ensayos clínicos.

Por eso, los resultados obtenidos por Claude deben interpretarse como un avance en una etapa concreta del proceso científico y no como la llegada inmediata de una nueva generación de medicamentos diseñados completamente por inteligencia artificial.

Lo que sí parece estar cambiando es la relación entre la IA y el laboratorio. Hasta hace poco, los modelos podían ayudar a analizar grandes cantidades de información o sugerir estructuras. Ahora comienzan a encadenar decisiones y herramientas diferentes para perseguir un objetivo científico específico.

Ese desarrollo podría extenderse rápidamente a otras áreas. Química de materiales, nuevos catalizadores, baterías, biotecnología, diseño de enzimas y descubrimiento de compuestos son algunos de los campos donde una IA capaz de coordinar simulaciones y experimentos podría resultar especialmente útil.

La clave será determinar cuánto puede automatizarse sin perder control científico. La investigación necesita resultados reproducibles, trazabilidad de cada decisión y mecanismos que permitan detectar errores antes de que una hipótesis incorrecta avance demasiado dentro del proceso.

El experimento de Anthropic representa, por eso, un cambio más profundo que simplemente conseguir que una IA diseñe una molécula. La novedad está en que el sistema pudo organizar una cadena de investigación: buscar información, formular diseños, utilizar herramientas especializadas, seleccionar candidatos y enviarlos a validación experimental.

La química comienza así a entrar en una etapa en la que la inteligencia artificial puede participar no solo en el análisis de datos, sino también en la planificación de experimentos.

La gran pregunta ahora es hasta dónde puede llegar esta autonomía científica. Los resultados obtenidos con Claude muestran que una IA puede superar determinados niveles de rendimiento humano en tareas específicas de diseño molecular, pero también que existen problemas que todavía no consigue resolver. La combinación entre inteligencia artificial, científicos y laboratorios automatizados podría convertirse en uno de los principales motores de la investigación biomolecular durante los próximos años.