La predicció computacional de l'estructura de les proteïnes —quina forma tridimensional adopta una cadena d'aminoàcids— és una de les eines centrals de la biologia estructural moderna, però els models que la calculen són costosos d'executar i optimitzar-los exigeix coneixements especialitzats tant de biologia molecular com d'enginyeria de programari per a GPU. Un equip de recerca d'Anthropic, amb dos experts en biologia molecular de la companyia supervisant el procés, ha fet servir Claude per abordar aquest coll d'ampolla.
En menys de quatre setmanes, el sistema va optimitzar 36 implementacions de més de 30 models de codi obert de predicció i disseny de proteïnes —entre els quals AlphaFold3, OpenFold3 i Boltz-2— repartits en sis famílies: predicció d'estructura conjunta (co-folding), «hal·lucinació» de seqüències, generació d'estructures, inverse folding, genòmica i models de llenguatge de proteïnes. El resultat és una acceleració mitjana de quatre vegades, amb millores de fins a 2,9 vegades en un mecanisme d'atenció triangular i de fins a 3,2 vegades en la multiplicació triangular gràcies a un nou nucli de càlcul per a GPU anomenat FlashPairformer. Gràcies a aquestes millores, el sistema pot modelar cadenes de més de 10.000 «tokens» en un sol node de GPU i predir estructures de fins a 70.000 tokens en un únic node NVIDIA B300, i dissenyar proteïnes noves amb resultats comparables fent servir cent vegades menys hores de càlcul.
La rellevància del treball no és només l'estalvi de temps i de cost computacional, sinó la manera com s'ha aconseguit: no és un nou model d'IA per a biologia, sinó un exemple concret de com un assistent d'IA generalista pot aplicar-se a optimitzar l'enginyeria de programari d'eines científiques ja existents, un tipus d'ús que pot escalar-se a altres camps de la recerca computacional més enllà de la biologia estructural.
Es tracta d'una nota de recerca publicada pel mateix Anthropic, no d'un article revisat per parells en una revista científica independent, per la qual cosa les xifres de millora de rendiment provenen de l'empresa que ha desenvolupat l'eina. Els mateixos autors reconeixen, a més, un límit clar: en els sistemes més grans, d'entre 31.000 i 70.000 tokens, les estructures predites «col·lapsaven» en alguns casos, un indici que la millora de rendiment encara no es tradueix en una generalització completa a totes les escales.