Anthropic publicó un conjunto de optimizaciones de código creadas con ayuda de Claude para más de 30 modelos abiertos de biología computacional. Según la compañía, el trabajo se completó en menos de cuatro semanas y aceleró, en promedio, cerca de cuatro veces tareas de predicción de estructuras, diseño de proteínas, genómica y modelos de lenguaje de proteínas, con una pérdida mínima de precisión. En configuraciones que conservaron resultados idénticos, la mejora media fue cercana a dos veces.

Claude como optimizador de herramientas científicas

El anuncio cambia el foco habitual de la inteligencia artificial aplicada a la ciencia. En lugar de presentar a Claude como sustituto de un modelo especializado, Anthropic lo utilizó para modificar y acelerar el software que ya emplean investigadores. La compañía dice que un modelo interno de propósito general trabajó sobre decenas de sistemas, entre ellos herramientas para cofolding, predicción de estructuras, generación de proteínas, accesibilidad de cromatina y evaluación de variantes.

El repositorio público permite examinar el alcance del lanzamiento. Incluye kits para proyectos como Boltz-2, ColabFold, ESMFold2, RFdiffusion y Protenix, además de instrucciones separadas para modos exact, fast y big. Anthropic lo publicó bajo Apache 2.0 para el código original, aunque cada dependencia conserva su propia licencia. También advierte que se trata de una versión de referencia entregada “tal cual”, que no recibirá mantenimiento ni contribuciones y que ejecuta código de proyectos externos.

Esa precisión es importante: el anuncio no equivale a una validación independiente de cada optimización ni garantiza que todos los laboratorios obtendrán el mismo rendimiento. Las cifras dependen del modelo, la configuración, el hardware y el tipo de cálculo. El repositorio fija versiones, commits y digests de las dependencias para facilitar la reproducción, pero los usuarios todavía deben revisar licencias, vulnerabilidades y requisitos de cómputo de cada proyecto.

Velocidad, memoria y sistemas de gran tamaño

Anthropic reporta una aceleración promedio aproximada de cuatro veces con cambios mínimos de precisión y cerca de 1.6 veces en el conjunto amplio mostrado en sus gráficas; para ejecuciones con salidas idénticas, resume una mejora cercana a dos veces. En operaciones concretas de triangle attention y triangle multiplication, afirma superar entre 1.7 y 3.2 veces un estándar de referencia, dependiendo de la configuración. Estas son mediciones de la compañía y deben leerse como resultados técnicos del lanzamiento, no como una comparación universal.

El modo big aborda otro cuello de botella: la memoria. Anthropic afirma que permite modelar con precisión sistemas de más de 10,000 “tokens” biomoleculares —aminoácidos, nucleótidos, átomos de moléculas pequeñas e iones— en un solo nodo de GPU NVIDIA. La imagen oficial muestra complejos como el ribosoma 70S y el complejo I humano con más de 10,000 tokens.

La compañía también logró ejecutar inferencia sobre sistemas de más de 70,000 tokens en un solo nodo B300, pero reconoce un límite decisivo: las estructuras predichas colapsaron. Esos ejemplos estaban casi dos órdenes de magnitud fuera del contexto de entrenamiento de los modelos. Por tanto, el resultado demuestra que bajó la barrera computacional para intentar cálculos de esa escala, no que esos sistemas puedan modelarse correctamente hoy.

Código abierto y validación experimental

El lanzamiento viene acompañado de una competencia de diseño de proteínas organizada con Adaptyv Bio en Proteinbase. El programa plantea cinco problemas, entre ellos reactividad entre especies, sensibilidad al pH, especificidad péptido-MHC y objetivos GPCR. Anthropic ofrece hasta un millón de dólares en créditos de Claude; Adaptyv y sus colaboradores prevén validación en laboratorio para más de 5,000 diseños.

La combinación es relevante porque conecta tres etapas que suelen evaluarse por separado: modificación de software científico, ejecución de modelos biomoleculares y comprobación experimental. El código abierto permitirá que investigadores auditen si las mejoras sobreviven fuera del entorno de Anthropic. La competencia, por su parte, podrá aportar evidencia física sobre diseños producidos con esas herramientas. Hasta que existan reproducciones externas y resultados de laboratorio, las cifras de velocidad deben tratarse como resultados reportados por Anthropic, aunque el código ya esté disponible para examinarlas.