Los resultados de Anthropic con seis socios no son un solo tipo de evidencia. Léalos por tipo
Claude acortó un constructo CAR T cerca de un 70% en el laboratorio y redujo un 89% la revisión de documentación de fabricación. Cada tipo de resultado exige preguntas distintas.
Escuche este artículo · 4 min
Narración completa del artículo, generada con IA.
En Enveda, Claude revisó 1.061 páginas de documentación de fabricación farmacéutica. Detectó los 11 problemas que habían encontrado los revisores humanos y 7 que se les habían pasado, y el tiempo de revisión humana bajó de más de 25 horas a menos de 3.
Ese resultado aparece en la misma publicación de Anthropic, del 27 de octubre, junto a un componente de terapia de células CAR T rediseñado que funcionó mejor en el laboratorio y 35.000 diseños de anticuerpos generados en alrededor de un mes. Todos son resultados reales reportados por socios. No son el mismo tipo de evidencia, y una empresa de ciencias de la vida que decide dónde usar IA debería leerlos por separado.
Seis socios, tres tipos de resultado
| Qué hizo Claude | Resultado reportado | Tipo de evidencia | |
|---|---|---|---|
| Generate Biomedicines | Propuestas de rediseño de un constructo CAR T, con seis científicos usando Claude Code | Alrededor de un 70% más corto; cerca de 10x más receptores y mejor destrucción de células tumorales en pruebas de laboratorio | Validado en laboratorio, preclínico |
| BigHat Biosciences | Propuestas de cambios en dos candidatos de fragmentos de anticuerpo, conectadas al sistema de datos de laboratorio de BigHat | Alrededor de 1.010 variantes probadas en 10 semanas; la mejor unión, más de 10x más fuerte | Validado en laboratorio, preclínico |
| Divergence Labs | Convirtió objetivos de investigación en un plan de diseño y generó diseños | Alrededor de 35.000 diseños de anticuerpos; 3 hits de unión a IgE y 20 de desplazamiento de IgE en pruebas iniciales | Computacional, con pruebas iniciales |
| Enveda | Revisó documentación de fabricación y redactó documentos regulatorios | Tiempo de revisión 89% menor; un borrador en 4 horas en lugar de unos tres meses | Flujo de trabajo |
| Bristol Myers Squibb | Evalúa planes de ensayos clínicos para un fármaco en fase temprana | Sin cifras; ampliación prevista para 2027 | Flujo de trabajo, en curso |
| The Column Group | Una skill de evaluación de dianas para una nueva empresa | Evaluada en 45 pares diana-enfermedad; sin resultados reportados | Computacional, temprano |
Los resultados de laboratorio responden a una pregunta distinta que los de flujo de trabajo
Los dos resultados validados en laboratorio, en Generate y BigHat, son los científicamente interesantes. Ambos comparten una estructura que vale la pena copiar: el modelo propone, un experimento real decide y el resultado vuelve a la siguiente ronda. En BigHat, Claude estuvo conectado al sistema de datos de laboratorio de la empresa y además reanalizó datos en bruto, y concluyó que las métricas estándar engañaban. Eso es el modelo trabajando dentro del ciclo científico, no al lado. También es temprano: preclínico, en dos programas, sin evidencia todavía sobre eficacia en personas. Anthropic lo dice sin rodeos.
Los resultados de flujo de trabajo, en Enveda, están más cerca de lo que la mayoría de las farmacéuticas podría usar este año. La documentación de fabricación y la redacción regulatoria son trabajo de gran volumen y muchas reglas, con revisores caros. Aquí la pregunta sobre la evidencia no es si la molécula funcionó, sino cómo sabemos que la revisión quedó completa. Anthropic incluye el detalle correcto: incluso después de la revisión de Claude, el proceso humano estándar de Enveda encontró un error menor en un borrador regulatorio. El paso humano no era decorativo.
Qué debería preguntar una empresa regulada
Para el trabajo de descubrimiento: a qué datos estuvo conectado el modelo, quién es dueño de los diseños y cómo vuelven los resultados a la siguiente ronda de diseño. El valor en BigHat vino de la conexión con el sistema de laboratorio, que es un proyecto de integración, no una elección de modelo. Vimos el mismo patrón cuando Hansa se asoció con Cradle en diseño de proteínas.
Para la documentación GxP: si la revisión asistida por IA forma parte de un proceso validado, cómo se miden sus omisiones con el tiempo y quién firma. En España ese marco es la EU GMP del EudraLex Volumen 4, en particular el Anexo 11 sobre sistemas informatizados, que aplica la AEMPS; en Latinoamérica cada autoridad fija sus propias reglas, por ejemplo la COFEPRIS en México o el INVIMA en Colombia. Una reducción de horas de revisión solo sirve si el sistema de calidad puede demostrar que la revisión siguió siendo adecuada. Escriba el método de comparación antes del piloto, como hizo Enveda en la práctica con sus 11 problemas conocidos.
Para el acceso: las salvaguardas más permisivas de Anthropic para este trabajo están limitadas a organizaciones verificadas a través de su Programa de Verificación de Ciencias de la Vida. El acceso al modelo es parte de la calificación, no un detalle del contrato.
La publicación también menciona el programa propio de Anthropic: tras adquirir Mithril Medicine, dice que Claude ayudó a coordinar el trabajo con 11 laboratorios externos y llevó una idea de tratamiento para la distrofia muscular a resultados prometedores en ratones en menos de 18 meses, con ensayos en humanos posibles a partir de finales de 2028. Es la afirmación más ambiciosa de la publicación y la más lejana a la prueba. Por ahora, el resultado de documentación es el que más equipos pueden aprovechar.