Anthropic põe o Claude a desenhar proteínas de raiz com taxa de sucesso alta

A Anthropic decidiu testar até onde consegue empurrar a automação em biotecnologia: pegou no Claude, deu-lhe acesso a um arsenal de software open-source de design de proteínas, e deixou o agente gerir praticamente toda a fase inicial de descoberta de fármacos. Em dois estudos, o modelo desenhou centenas de proteínas sintéticas, os chamados minibinders, e a empresa diz que os resultados superam as taxas de acerto típicas da indústria. Por enquanto, isto é um relatório da própria Anthropic, não uma validação independente.

O alvo eram 16 proteínas diferentes associadas a doenças. O trabalho clássico de laboratório foi substituído por design de novo em computador: em vez de procurar na natureza algo que encaixe bem no alvo, gera-se a proteína de raiz. Os modelos Mythos Preview e Opus 4.8 conceberam 1.320 candidatos, 354 ligaram-se de facto às proteínas em teste, uma taxa de acerto de 26,8 por cento. Se olharmos só para o primeiro classificado na lista que o próprio Claude gerou, quase metade ligou com sucesso. A Anthropic aponta para campanhas registadas em bases públicas, como a proteinbase.com, onde o intervalo usual anda pelos 10 a 15 por cento.

O detalhe interessante não está só na taxa de sucesso, está na arquitectura do processo. A Anthropic não treinou um novo modelo de proteínas tipo AlphaFold-3, limitou-se a pôr o Claude a orquestrar ferramentas que a comunidade já usa: PXDesign, RFdiffusion3, Genie 3, FreeBindCraft, BoltzGen, versões do RFdiffusion clássico e modelos como SolubleMPNN para escolher a sequência de aminoácidos. Depois vieram filtros como ESMFold2 e Protenix v2 para prever como o minibinder abraça o alvo e para estimar a probabilidade de funcionar.

Tudo isto foi conduzido por um “protocolo” de cerca de 16 mil palavras, usado como system prompt em cada agente. E aqui vê-se o lado mais industrial da história. Só um terço do texto era orientação científica. O resto eram regras de gestão: como delegar em sub-agentes, controlar orçamento e reagendar tarefas. A Anthropic fala em campanhas multi-alvo com tecto de 50.000 dólares de computação, e 10.000 por alvo em modo dedicado, tudo em cloud. É muito dinheiro para um laboratório académico português médio, mas num contexto pharma não é absurdo.

Para tirar a conversa da simulação, a Anthropic pagou a dois laboratórios de contrato, Adaptyv Bio e Twist Bioscience, para sintetizarem fisicamente cada desenho e medirem se, e quão bem, se ligava ao alvo. Em alvos como TREM2 e VEGF-A, dezenas em cada 90 candidatos ligaram-se. No caso de RBX1, onde um concurso aberto anterior tinha tido apenas 9 hits em 245 tentativas, o pipeline gerido pelo Claude conseguiu 28 em 90, com o melhor desenho a ligar-se cerca de dez vezes mais forte do que o vencedor humano anterior.

Há ainda o alvo TNFα, notoriamente difícil e já com vários fracassos reportados em design computacional. Opus 4.8 arrancou 12 minibinders em 150 desenhos, todos assentes em apenas quatro andaimas estruturais, o que significa que a diversidade real é menor do que o número sugere. E convém não esquecer o contexto: os alvos foram escolhidos a dedo, o protocolo foi escrito por especialistas e, entre corridas, houve humanos a ler resultados e a decidir os passos seguintes. Não é um robô de bancada autónomo, é uma linha de montagem semi-automatizada com um modelo de linguagem ao volante.

O estudo reforça a ideia de que agentes de IA, quando ligados a ferramentas certas, conseguem gerir tarefas complexas ponta-a-ponta. Também reforça a inquietação: a mesma Anthropic já teve um filtro anti-armas biológicas a falhar durante meses, agora demonstra um “estagiário superdotado” capaz de acelerar pipelines de biologia molecular. A empresa insiste que usou apenas software aberto, precisamente para mostrar que qualquer laboratório pode montar algo semelhante. Técnicamente é entusiasmante. Politicamente e em termos de segurança, é mais um sinal de que regular modelos de linguagem sem olhar para o que conseguem controlar no mundo físico é conversa pela metade.

Fonte: The Decoder