El 17 de septiembre, Anthropic publicó un informe de investigación: la empresa usó Claude para optimizar la inferencia de más de 30 modelos biomoleculares de código abierto y, en menos de cuatro semanas, aumentó su velocidad de ejecución en promedio unas 4 veces, con una pérdida de precisión mínima. Si se exige que la precisión no baje en absoluto, la mejora promedio es de aproximadamente 1,6 veces. Todo el código ya está en el repositorio anthropics/uplifting-biomolecular-modeling de GitHub.
Los modelos abarcan cuatro categorías: predicción de estructura, diseño de proteínas, modelos de lenguaje de proteínas y modelos de genómica. El informe menciona explícitamente a AlphaFold3, OpenFold3, Boltz-2 y ColabFold 1.6.3; en la parte de diseño incluye diseño por alucinación, generación de estructuras e inverse folding, con arquitecturas subyacentes como difusión, flow matching y redes neuronales de grafos. El resto de los modelos no se enumera de forma individual en el informe.
Dos personas y un modelo
El proyecto estuvo supervisado por dos técnicos de Anthropic. El informe describe expresamente su perfil: con experiencia en modelado biomolecular, pero sin experiencia previa en optimización de inferencia ni en escribir kernels de GPU. El trabajo concreto lo realizó Claude en el entorno Claude Science; las versiones de modelo probadas fueron Mythos 5.1, Mythos 5 y Opus 5.
La mejora de velocidad se logra en dos niveles. Uno es genérico: Claude escribió un kernel personalizado llamado FlashPairformer, orientado al módulo Pairformer, el más costoso computacionalmente en este tipo de modelos; la triangle attention se aceleró entre 2,7 y 2,9 veces, y la triangle multiplication, entre 1,7 y 3,2 veces. El otro nivel se trabaja modelo por modelo, por ejemplo cacheando cálculos repetidos o eliminando ramas que no se usan.
Sobre cómo se mide esa pérdida mínima de precisión, el informe da el criterio: para la predicción de interfaces se usa la puntuación DockQ, aceptable por encima de 0,23; para los resultados de diseño se usa ipSAE, una puntuación computacional que se correlaciona con la tasa de éxito en experimentos de laboratorio húmedo.
Hasta qué tamaño se puede plegar
Más allá de la velocidad, lo que más llama la atención es la escala. El límite anterior de AlphaFold3 era de 7663 tokens; tras la optimización, un solo nodo NVIDIA B300 supera los 70.000 tokens, suficiente para cápsides virales completas y compartimentos proteicos, es decir, ensamblajes de gran tamaño.
These are among the largest structures ever folded accurately using structure prediction models.
En traducción libre: estas se encuentran entre las estructuras más grandes plegadas con precisión usando modelos de predicción de estructura.
El informe también señala los límites: las predicciones de cápsides virales por encima de 70.000 tokens ya no son precisas. La barrera de hardware sigue presente: los sistemas grandes requieren nodos B300, y hasta las tareas habituales necesitan tarjetas de la clase H200.
En conexión con la ronda de diseño del mes pasado
A mediados de agosto, Anthropic había presentado un experimento en el que Claude diseñaba desde cero proteínas de unión: de 15 objetivos, 14 obtuvieron diseños utilizables, algo que ya se había reportado en este sitio. Aquella ronda se ejecutó con múltiples subagentes y una gran cantidad de prompts en la nube de Modal; según este nuevo informe, costaba unos 10.000 dólares por objetivo.
Esta vez se repitió el diseño de proteínas con la pila de modelos optimizada: en pruebas con 16 objetivos, bastó con una H200 durante 24 horas de tiempo real, con un costo total de GPU y tokens de unos 150 dólares; Anthropic afirma que el costo se redujo en unos dos órdenes de magnitud. Como los objetivos de ambas rondas no son exactamente los mismos y el informe no aporta datos de validación en laboratorio húmedo para estos nuevos diseños, solo pueden compararse directamente el costo y el tiempo; la tasa de acierto deberá esperar a resultados posteriores.
De agosto a septiembre, la secuencia de movimientos de Anthropic en ciencias de la vida es clara: primero demostrar que el modelo puede diseñar moléculas que resultan eficaces en el laboratorio, y después volver a mejorar las propias herramientas de diseño. Este segundo paso podría tener un impacto más directo en los laboratorios académicos: muchos grupos solo cuentan con unas pocas tarjetas, y sistemas grandes que antes no se podían plegar ahora cuentan con una versión acelerada de código abierto lista para probar.
Fuentes: informe de investigación de Anthropic, CocoLoop, repositorio de código anthropics/uplifting-biomolecular-modeling; conviene verificar en el informe original los factores promedio de aceleración, los rangos de mejora de FlashPairformer, los límites de 7663 y más de 70.000 tokens, y las cifras de costo por objetivo.