Dissenyar una proteïna capaç d'enganxar-se amb precisió a un objectiu biològic concret —un pas clau en el desenvolupament de molts fàrmacs— ha estat tradicionalment una feina de setmanes o mesos per a equips d'experts, que combinen models computacionals especialitzats amb assaigs de laboratori costosos. En els últims anys han aparegut eines de disseny de proteïnes de codi obert que acceleren part d'aquest procés, però encara requereixen que una persona experta prengui moltes decisions al llarg del camí.
Anthropic va publicar el 18 d'agost un informe tècnic, amb totes les dades, els dissenys i els prompts fets públics, sobre una campanya en què va demanar a Claude Opus 4.8 i al seu model experimental Mythos Preview que dissenyessin «minibinders» —proteïnes petites que s'enganxen a un objectiu— per a 15 dianes diferents, fent servir eines de disseny de proteïnes i de co-plegament ja existents i disponibles públicament. Un sol agent, operant sota un protocol fixat per experts humans, es va encarregar de tota la cadena: investigar la diana, triar les eines, generar i comparar seqüències candidates i decidir quines enviar a síntesi. Dels 1.320 dissenys generats, 354 es van enganxar de debò a la seva diana en proves de laboratori, amb almenys un «binder» funcional per a 14 de les 15 dianes provades i una taxa d'èxit d'entre el 22,6% i el 35,1% segons el mètode, més del doble del 10-15% habitual en aquest tipus de campanyes. Adaptyv Bio i Twist Bioscience, dues empreses que fabriquen i proven proteïnes dissenyades digitalment, van validar els resultats de manera independent al seu propi laboratori; en quatre dianes, els millors dissenys de Claude van igualar o superar l'afinitat dels millors resultats publicats fins ara. Claude va fallar completament amb una de les 15 dianes, i va tenir més dificultats amb una proteïna de disseny artificial (BBF-14) i amb la proteïna d'unió a maltosa (MBP).
La notícia és rellevant perquè demostra, amb validació externa i xifres concretes, que un model de llenguatge pot operar de manera pràcticament autònoma tot un procés de disseny de proteïnes que fins ara requeria experts humans en cada pas, i que els resultats no són només plausibles sobre el paper, sinó que funcionen quan es produeixen i es proven físicament al laboratori. Anthropic mateixa presenta l'experiment com una prova que qualsevol laboratori podria deixar que un agent d'IA gestioni tota la cadena de disseny de proteïnes, cosa que podria abaratir i accelerar una de les fases més costoses del descobriment de fàrmacs.
Els minibinders, per més afinitat que tinguin, no són fàrmacs per si mateixos: només són un primer pas d'un procés de desenvolupament molt més llarg, que inclou madurar l'afinitat, provar-ne la farmacocinètica, formular-los i passar per diverses fases d'assaigs clínics abans de poder arribar a un pacient. Anthropic reconeix també que el sistema va fallar completament amb una de les 15 dianes provades, per manca de dades concloents, i que dues proteïnes concretes li van resultar especialment difícils, cosa que deixa clar que el mètode encara no funciona igual de bé en tots els casos.