Los laboratorios ahora pueden utilizar agentes de modelos de lenguaje para diseñar proteínas de forma integral

Anthropic ha demostrado que sus modelos Claude superan tasas de éxito en el diseño de proteínas, alcanzando un 26.8% de efectividad, mucho más que el 10-15% promedio de la industria. ¿Qué significa esto para la investigación médica?

Los laboratorios ahora pueden utilizar agentes de modelos de lenguaje para diseñar proteínas de forma integral
NeboAI Te resumo la noticia con datos, cifras y contexto
EN 30 SEGUNDOS

EN 1 ORACIÓN

SENTIMIENTO
Neutro

𒀭
NeboAI está trabajando, aguarda un instante...
Preparando análisis detallado
Resumen rápido completado
Extrayendo datos, cifras y citas...
Identificando protagonistas y contexto
ANÁLISIS DETALLADO
COMPARTIR

NeboAI produce ediciones automáticas de textos periodísticos en forma de resúmenes y análisis. Sus resultados experimentales están basados en inteligencia artificial. Por tratarse de una edición de IA, los textos eventualmente pueden contener errores, omisiones, establecer relaciones equivocadas entre datos y otras inexactitudes imprevistas. Recomendamos chequear la edición.

Anthropic ha logrado resultados prometedores en el diseño de proteínas utilizando sus modelos Claude en el ámbito del descubrimiento de medicamentos. En dos experimentos, se diseñaron minibinders que se adhieren a proteínas objetivo, logrando un impresionante porcentaje de éxito en comparación con las tasas habituales de la industria.

Los modelos Mythos Preview y Opus 4.8 trabajaron en 16 proteínas objetivo, de las cuales 15 proporcionaron mediciones utilizables. Claude logró un éxito en 14 de esos 15 objetivos, con un total de 1,320 diseños probados en el laboratorio, de los cuales 354 lograron unirse a su objetivo, resultando en una tasa de éxito del 26.8%. Cuando se consideraron solo aquellos diseños que Claude clasificó en primer lugar, la tasa de unión alcanzó el 49%.

En un modo de múltiples objetivos, donde se manejaron todos los objetivos simultáneamente en un plazo de 48 horas, Mythos Preview mostró una tasa del 26.7% y Opus 4.8 del 22.6%. Sin embargo, al trabajar cada objetivo por separado, Mythos Preview mejoró su tasa al 35.1%, aunque con un presupuesto computacional significativamente mayor.

Anthropic utilizó una variedad de software especializado de código abierto, en lugar de construir su propio modelo de proteínas. Los andamiajes espaciales de las proteínas fueron generados mediante diferentes herramientas existentes en el campo, mientras que la cadena de aminoácidos fue mayormente calculada por SolubleMPNN.

¿Quieres leer la nota completa? Accede al artículo original con todos los detalles.
Leer Artículo Original
TL;DR

Este artículo es un resumen original con fines informativos. Créditos de imagen y cobertura completa en la fuente original. · Ver Política de contenidos

Redacción
Redacción Equipo EsportsAMA

El equipo de redacción de EsportsAMA está formado por apasionados del gaming competitivo y los esports. Cubrimos a diario las principales noticias del sector, desde fichajes y torneos hasta novedades de tus juegos favoritos, con foco en la escena española y latinoamericana.

Presiona Enter para buscar o ESC para cerrar