Em 18 de agosto, a Anthropic divulgou um registro de experimento: pediu ao Claude que projetasse do zero pequenas moléculas capazes de se ligar a alvos proteicos específicos. Dos 15 alvos, 14 resultaram em desenhos utilizáveis. A síntese e os testes foram feitos pela Adaptyv Bio e pela Twist Bioscience, não pelo próprio modelo se autoavaliando.
Os números convencem mais do que qualquer conclusão resumida. No modo multi-alvo, a taxa de sucesso do Mythos Preview foi de 26,7%, e a do Opus 4.8, de 22,6%; ao mudar para o modo focado em um único alvo, o Mythos Preview subiu para 35,1%. Como referência, a taxa de sucesso típica divulgada publicamente nesse campo fica entre 10% e 15%. No total, os 1.320 desenhos produziram 354 ligantes validados experimentalmente, com 6 alvos alcançando ligantes de alta afinidade, dos quais 4 igualaram ou superaram o melhor resultado já publicado.
Alguns dos alvos mais difíceis
O RBX1 é o alvo que melhor ilustra essa diferença. A taxa de sucesso do Claude nesse caso foi de 40%, enquanto a média dos participantes de uma competição sobre o mesmo tema ficou em apenas 3,7% — e o desenho final ainda superou a entrada vencedora daquele ano.
No TNFα, o teste foi entre espécies: o mesmo lote de desenhos precisava se ligar simultaneamente às proteínas humana, de macaco-rhesus e de camundongo. Esse ponto tem peso considerável no desenvolvimento de medicamentos, já que a possibilidade de usar a mesma molécula em testes com animais e em ensaios humanos determina diretamente a duração do ciclo de desenvolvimento inicial.
Outro grupo foi escolhido justamente pela dificuldade: desenhar ligantes com alto teor de folhas-β. Esse tipo de estrutura é historicamente difícil no design computacional, porque o pareamento entre fitas β deixa pouca margem de erro. Nessa rodada, foram produzidos 15 ligantes eficazes com teor de fitas β igual ou superior a 20%.
Os fracassos também foram registrados oficialmente: os alvos BBF-14 e MBP tiveram desempenho fraco. Ninguém confiaria em um relatório que só mostra vitórias — listar esses dois casos, ao contrário, reforça a credibilidade dos demais dados.
A conta da computação
Esse processo não é barato. No modo multi-alvo, uma rodada consome até 12.500 horas de GPU H100 da NVIDIA, com 48 horas de tempo real; no modo de alvo único, são 2.500 horas de H100 por alvo, rodando por 24 horas. O prompt inicial tem cerca de trinta mil tokens.
Considerando o preço de aluguel comum de H100 na nuvem hoje, entre 2 e 3 dólares por hora de GPU, as 12.500 horas equivalem a cerca de 20 a 30 mil dólares por rodada, o que dividido entre 15 alvos dá cerca de 2 mil dólares por alvo. Esse valor é pouco relevante no orçamento de descoberta inicial de fármacos — uma única rodada de síntese proteica e teste de afinidade em laboratório úmido já custa na mesma ordem de grandeza, enquanto o caminho tradicional depende de várias rodadas de tentativa e erro para chegar a uma taxa de sucesso semelhante. A computação se tornou o elo mais barato dessa cadeia, uma conclusão que não era válida há poucos anos.
Uma tarefa extra pelo caminho
Na mesma leva de experimentos, houve também um teste de química analítica usando o Claude Opus 5. A tarefa era processar dados reais de instrumentos de laboratório: os espectros de RMN foram processados em 23 minutos, e os dados de LC-MS, em 19 minutos. Os arquivos brutos de LC-MS estavam em formato proprietário, e o modelo os interpretou sozinho, conferindo os dados de 2.664 varreduras.
Em termos de precisão: a contagem de átomos de hidrogênio ficou dentro de 0,08 ¹H em relação ao resultado feito manualmente, e a pureza medida foi de 96,4%, contra um valor de referência do laboratório de 96,33%. Depois de concluir a análise, o modelo propôs por conta própria quais experimentos de validação fazer a seguir, e a proposta coincidiu com o plano original do laboratório.
Essa parte pode acabar ofuscada pelos dados de design de proteínas mencionados antes. Mas a etapa que mais consome mão de obra na descoberta de fármacos não é o desenho, e sim a leitura e o arquivamento diários de dezenas ou centenas de espectros — a rotina de um pós-doutorando. Um modelo capaz de interpretar arquivos de instrumentos em formato proprietário e ainda decidir sozinho o próximo passo atinge exatamente esse ponto.
Uma limitação que veio junto
A Anthropic deixou escrito claramente no texto: a capacidade de design de proteínas e outras habilidades de pesquisa biológica de duplo uso não estão disponíveis para usuários comuns no Claude Fable 5. Trata-se de uma barreira colocada de propósito — a mesma capacidade usada para desenhar ligantes também poderia ser usada para outros fins, e a empresa optou por mantê-la em um canal controlado, em vez de incorporá-la diretamente a um produto de consumo.
O conjunto de dados e os prompts usados no experimento já foram publicados no Hugging Face, com um relatório técnico separado para design de proteínas e outro para análise química. O fato de os prompts também terem sido divulgados sugere que, na visão da Anthropic, a barreira dessa metodologia está na computação e nos testes de laboratório úmido, não na engenharia de prompt em si.
Fontes: página oficial de pesquisa da Anthropic, registros de experimentos da Adaptyv Bio e da Twist Bioscience, CocoLoop, conjunto de dados público no Hugging Face; verificação da metodologia da taxa de sucesso, das horas de GPU H100 e do valor de referência de pureza de 96,4%.