A Anthropic acabou de provar que um modelo de uso geral pode conduzir uma campanha completa de design de proteínas por conta própria — sem nenhum especialista em biologia computacional no processo. Recebendo apenas 15 nomes de alvos, o Claude desenhou novas proteínas que se ligam a 14 deles, e seus melhores designs se ligam aos alvos com uma afinidade várias vezes maior do que o melhor resultado publicado até hoje.
A tarefa: projetar proteínas, não apenas prever
Modelos no estilo AlphaFold respondem a uma pergunta: dada uma sequência de proteína, em que forma ela se dobra? A entrada é conhecida; a saída é uma predição. O que o Claude fez é um problema diferente — design de novo. A entrada é apenas o nome de uma proteína-alvo; a saída é uma proteína inteiramente nova, engenheirada para se ligar a ela. Uma coisa é descrever uma imagem; a outra é escrever um ensaio original.
Isso importa porque a ligação é o mecanismo de boa parte dos medicamentos modernos: uma molécula se conecta a um alvo para inibir, ativar ou entregar algo. Historicamente, projetar um novo ligante levava meses de computação, otimização e triagem por alvo — mesmo depois de os modelos de ML acelerarem partes do fluxo, a orquestração ainda exigia um especialista computacional por dias ou semanas.
Como o Claude conduziu a campanha: orquestração, não invenção
O Claude não inventou nenhuma ferramenta nova. Ele usou softwares open-source prontos — RFdiffusion, ProteinMPNN, ESMFold2 — que qualquer laboratório pode baixar. O que o Claude contribuiu foi a orquestração.
A Anthropic codificou cerca de 16.000 palavras de know-how em engenharia de proteínas em um prompt: as etapas de um experimento, as ferramentas disponíveis em cada etapa e os critérios de triagem. O prompt deliberadamente não especificava qual face da proteína atacar, qual método de geração usar ou nenhuma sequência inicial. Com uma conta em nuvem e acesso à rede, o Claude escolheu os alvos, selecionou epitopos, carregou ferramentas, executou modelos, filtrou e otimizou resultados, os classificou e entregou o produto final — ao todo, invocou 10 métodos de geração de estruturas e combinou 24 conjuntos de ferramentas. Os humanos fizeram exatamente três coisas: aprovar o acesso à rede, monitorar a infraestrutura e enviar os designs classificados a dois laboratórios molares independentes para síntese e teste.
Os resultados: taxas de acerto de 22-35% contra uma linha de base de 10-15%
A Adaptyv Bio e a Twist Bioscience construíram e testaram independentemente os designs do Claude. Contra 15 alvos, o Claude produziu ligantes funcionais para 14. Sua taxa de sucesso por design ficou entre 22% e 35%, dependendo da configuração — duas a três vezes os 10-15% típicos das campanhas de design de proteínas atuais. Considerando apenas o design mais bem classificado do Claude por alvo, a taxa de acerto chegou a 49%.
Dois alvos merecem menção especial. No RBX1, a Adaptyv Bio havia realizado antes uma competição pública de design: 245 submissões de equipes do mundo inteiro, apenas 9 funcionaram. O Claude submeteu 90 designs para o mesmo alvo; 28 se ligaram com sucesso, e seu melhor design se ligou cerca de dez vezes mais firmemente do que o vencedor da competição. No TNFα — o alvo por trás do Humira, um dos medicamentos mais vendidos do mundo — várias equipes de especialistas haviam falhado no design de novo de ligantes. O Opus 4.8 produziu 12 designs válidos, alguns se ligando simultaneamente ao TNFα humano, de macaco e de camundongo. Nem tudo funcionou: em um alvo (MBP), todos os 90 designs falharam — um lembrete útil de que o fluxo é rápido, não infalível.
O complemento de química: 23 minutos contra uma hora à mão
O segundo experimento passa da biologia para a química analítica. Recebendo arquivos brutos de NMR e LC-MS de um laboratório terceirizado e um prompt de duas frases — sem treinamento, sem configuração especializada —, o Claude Opus 5 devolveu análises concluídas em 19-23 minutos. Suas contagens de hidrogênio e leituras de pureza (96,4%) coincidiram com a análise manual do próprio laboratório (96,33%). Este é o trabalho rotineiro e demorado que consome os dias dos pesquisadores.
Por que isso é uma mudança estrutural, não um salto em benchmark
Seis anos atrás, o AlphaFold conseguia prever uma estrutura. Hoje, um modelo de uso geral executa todo o fluxo de trabalho de design e supera equipes de especialistas em um alvo público disputado. Três consequências estruturais se destacam.
Primeiro, o gargalo se desloca da computação para a validação. Um design que antes levava meses agora leva 24-48 horas; a restrição é o tempo de resposta dos laboratórios molares, não o raciocínio. Segundo, a expertise especializada se torna opcional no início do fluxo — a orquestração agora é função do modelo, e é por isso que a Anthropic iniciou um programa de acesso para cientistas, ao mesmo tempo em que mantém essas capacidades biológicas fora do Claude público por preocupações de duplo uso. Terceiro, o manual está aberto: a Anthropic publicou o prompt, os dados e 1.440 designs no Hugging Face, então qualquer laboratório pode reproduzir o fluxo em vez de tratar o resultado como uma caixa-preta.
Para o padrão mais amplo, veja como outros sistemas de IA estão avançando na descoberta e triagem — dos modelos de triagem virtual que encontram acertos reais aos biólogos de IA que propõem alvos de medicamentos.
O que os pesquisadores devem fazer agora
Design de ligantes ainda não é um medicamento — toxicologia e ensaios clínicos ainda levam anos, e cada estrutura aqui foi prevista computacionalmente, não resolvida experimentalmente. Mas o fluxo de trabalho é reproduzível hoje, então os passos práticos são claros:
- Execute primeiro o prompt publicado. O prompt de 16.000 palavras e o conjunto completo de dados estão no Hugging Face; faça um piloto com um alvo para o qual você já tenha dados de laboratório molar, para poder medir o ganho você mesmo.
- Trate a orquestração como o entregável. A habilidade duradoura é codificar fluxos de trabalho de especialistas como prompts mais uma lista de ferramentas — esse padrão se aplica a qualquer processo de laboratório, não apenas a proteínas.
- Mantenha a validação independente. O resultado só teve valor porque dois laboratórios externos o testaram. Incorpore um parceiro de triagem ao processo antes de confiar em qualquer classificação.
- Acompanhe a trilha regulatória. O programa de acesso para cientistas da Anthropic e sua decisão de restringir as capacidades biológicas moldarão se isso permanece uma vantagem de laboratório ou se torna uma utilidade geral de pesquisa.
