Resultados da Anthropic em fármacos com seis parceiros são evidências de tipos diferentes. Leia por tipo
O Claude encurtou um constructo de CAR T em cerca de 70% em testes de laboratório e reduziu em 89% a revisão de um documento de fabricação. Cada tipo de resultado pede perguntas diferentes.
Ouça este artigo · 4 min
Narração completa do artigo, gerada por IA.
Na Enveda, o Claude revisou 1.061 páginas de documentação farmacêutica de fabricação. Pegou todos os 11 problemas que os revisores humanos tinham encontrado e 7 que eles tinham deixado passar, e o tempo de revisão humana caiu de mais de 25 horas para menos de 3.
Esse resultado está no mesmo post da Anthropic, publicado em 27 de outubro, que um componente de terapia CAR T redesenhado que teve desempenho melhor no laboratório e 35.000 designs de anticorpos gerados em cerca de um mês. São todos resultados reais, relatados por parceiros. Não são o mesmo tipo de evidência, e uma empresa de ciências da vida decidindo onde usar IA deveria lê-los separadamente.
Seis parceiros, três tipos de resultado
| O que o Claude fez | Resultado relatado | Tipo de evidência | |
|---|---|---|---|
| Generate Biomedicines | Redesigns propostos de um constructo de CAR T, com seis cientistas usando o Claude Code | Cerca de 70% mais curto; aproximadamente 10x mais receptores e melhor morte de células tumorais em testes de laboratório | Validado em laboratório, pré-clínico |
| BigHat Biosciences | Mudanças propostas em dois leads de fragmento de anticorpo, conectadas ao sistema de dados de laboratório da BigHat | Cerca de 1.010 variantes testadas em 10 semanas; melhor ligação mais de 10x mais firme | Validado em laboratório, pré-clínico |
| Divergence Labs | Transformou objetivos de pesquisa em um plano de design e gerou designs | Cerca de 35.000 designs de anticorpos; 3 hits de ligação a IgE e 20 de deslocamento de IgE em testes iniciais | Computacional, com testes iniciais |
| Enveda | Revisou documentação de fabricação e redigiu documentos regulatórios | Tempo de revisão 89% menor; um rascunho em 4 horas em vez de cerca de três meses | Workflow |
| Bristol Myers Squibb | Avalia planos de ensaios clínicos de um fármaco em estágio inicial | Sem números; expansão prevista para 2027 | Workflow, em andamento |
| The Column Group | Uma skill de avaliação de alvos para uma nova empresa | Avaliada em 45 pares alvo-doença; nenhum desfecho relatado | Computacional, inicial |
Resultados de laboratório respondem a uma pergunta diferente da dos resultados de workflow
Os dois resultados validados em laboratório, na Generate e na BigHat, são os cientificamente interessantes. Ambos compartilham uma estrutura que vale copiar: o modelo propõe, um experimento real decide, e o resultado volta para a rodada seguinte. Na BigHat, o Claude foi conectado ao sistema de dados de laboratório da empresa e também reanalisou dados brutos, concluindo que as métricas padrão enganavam. É o modelo trabalhando dentro do loop científico, não ao lado dele. Também é cedo: pré-clínico, em dois programas, sem evidência ainda sobre eficácia em pessoas. A Anthropic diz isso sem rodeios.
Os resultados de workflow, na Enveda, estão mais perto do que a maioria das farmacêuticas conseguiria usar neste ano. Documentação de fabricação e redação regulatória são trabalho de alto volume, cheio de regras e com revisores caros. Aqui a pergunta de evidência não é “a molécula funcionou”, mas “como sabemos que a revisão foi completa”. A Anthropic inclui o detalhe certo: mesmo depois da revisão do Claude, o processo humano padrão da Enveda encontrou um erro menor em um rascunho regulatório. A etapa humana não era enfeite.
O que uma empresa regulada deve perguntar
Para trabalho de descoberta: a que dados o modelo estava conectado, quem é dono dos designs e como os resultados voltam para a próxima rodada de design. O valor na BigHat veio da conexão com o sistema de laboratório, que é um projeto de integração, não uma escolha de modelo. Vimos o mesmo padrão quando a Hansa fechou parceria com a Cradle em design de proteínas.
Para documentação em GxP: se a revisão assistida por IA faz parte de um processo validado, como suas omissões são medidas ao longo do tempo e quem assina. No Brasil, esse enquadramento vem da RDC 658/2022 da Anvisa, que adota as diretrizes do PIC/S para Boas Práticas de Fabricação de medicamentos e vem acompanhada de instruções normativas complementares, uma delas sobre sistemas computadorizados. Menos horas de revisão só é útil se o sistema da qualidade conseguir mostrar que a revisão continuou adequada. Escreva o método de comparação antes do piloto, como a Enveda efetivamente fez com seus 11 problemas conhecidos.
Para acesso: os guardrails mais permissivos da Anthropic para esse trabalho são limitados a organizações verificadas, por meio do seu Life Sciences Verification Program. O acesso ao modelo faz parte da qualificação, não é um detalhe do contrato.
O post também menciona o programa da própria Anthropic: depois de adquirir a Mithril Medicine, diz que o Claude ajudou a coordenar o trabalho com 11 laboratórios externos e levou uma ideia de tratamento para distrofia muscular a resultados promissores em camundongos em menos de 18 meses, com ensaios em humanos possíveis a partir do fim de 2028. É a afirmação mais ambiciosa do post e a mais distante de prova. Por ora, o resultado de documentação é o que mais times conseguem colocar em prática.