Anthropic presentó resultados iniciales del uso de Claude en el desarrollo de posibles medicamentos, desde el diseño de moléculas hasta la revisión de documentación para ensayos. La empresa trabaja con seis organizaciones del sector y en proyectos propios; sus ejemplos muestran tareas aceleradas y mejoras medidas en laboratorio, pero la mayor parte de las investigaciones permanece en fase preclínica.
El enfoque busca intervenir en distintas etapas de un proceso que exige investigación básica, pruebas de estabilidad, fabricación y controles regulatorios. En lugar de atribuir a la IA el descubrimiento de una cura, el informe describe cómo científicos y equipos de laboratorio utilizaron sus propuestas, las sometieron a experimentos y corrigieron métodos cuando los datos lo exigieron.
Resultados tempranos en diseño y optimización
Con Generate Biomedicines, seis investigadores utilizaron Claude Code para rediseñar parte de las instrucciones genéticas de una terapia celular contra el cáncer. Una de las variantes fue aproximadamente un 70% más corta que la versión de referencia y, en pruebas de laboratorio, permitió que las células inmunitarias produjeran cerca de diez veces más receptores para reconocer células tumorales. El resultado no equivale todavía a una terapia lista para pacientes.
En otra colaboración, Divergence Labs empleó el modelo para proponer unos 35.000 diseños de anticuerpos relacionados con una estrategia experimental contra alergias alimentarias. Las primeras pruebas identificaron candidatos capaces de unirse a la molécula IgE y otros que podrían separarla de células inmunitarias; falta combinar ambas funciones en un medicamento y evaluar su seguridad y eficacia.
BigHat Biosciences probó alrededor de 1.010 variantes de dos fragmentos de anticuerpos durante unas diez semanas. Entre las mejores, algunas se unieron a su objetivo con una fuerza superior a diez veces la de los diseños iniciales, mientras otras mejoraron estabilidad o redujeron la tendencia a formar grumos. Son propiedades útiles para investigar, aunque por sí solas no demuestran beneficio clínico.
Menos tiempo en revisión y planificación
La utilidad potencial también aparece en tareas menos visibles. Enveda conectó sus documentos de fabricación con Claude y, en una prueba sobre 1.061 páginas, el sistema señaló los 11 problemas detectados por revisores humanos y otros siete que estos no habían marcado. Según los datos compartidos, el tiempo de revisión humana bajó de más de 25 horas a menos de tres; esa medición corresponde al flujo de trabajo evaluado, no a todos los expedientes regulatorios.
Bristol Myers Squibb lo está utilizando para analizar planes de un fármaco en etapa clínica temprana y valorar opciones de desarrollo. The Column Group, por su parte, explora una empresa que apoye más programas de investigación con un equipo pequeño. Ambos casos describen usos y planes, sin aportar aún evidencia de que aumenten la tasa de aprobación de nuevos tratamientos.
Qué falta antes de hablar de nuevos tratamientos
En sus proyectos internos, la compañía incorporó Mithril Medicine, que investiga dos formas raras de distrofia muscular infantil. Uno de sus candidatos obtuvo resultados prometedores en ratones tras menos de 18 meses de trabajo, y el equipo contempla iniciar pruebas en personas hacia finales de 2028 si los datos futuros acompañan. Ese calendario es una expectativa condicionada, no una autorización ni un resultado clínico.
La propia publicación subraya que la mayoría de los programas todavía no ha llegado a ensayos en humanos. Quedan por demostrar seguridad, eficacia, reproducibilidad y ventajas reales frente a métodos existentes, pasos que suelen requerir años de evaluación.
Por ahora, los ejemplos muestran que la IA puede ayudar a plantear experimentos, analizar resultados y reducir trabajo administrativo, siempre con comprobación científica y supervisión especializada.
