Citrini Research, una firma de análisis de inversiones sin ningún experto en biología en su equipo, pasó tres meses trabajando con un modelo de investigación interno de Anthropic para ver si la inteligencia artificial podía diseñar, de punta a punta, una proteína nueva que funcionara en un laboratorio real. Diecisiete de 211 diseños se unieron a su objetivo. Ninguno, todavía, demostró neutralizar el veneno.
La firma de investigación de inversiones Citrini Research publicó el 20 de octubre de 2026 un informe detallando un experimento poco habitual para una empresa de su tipo: usar Claude, el modelo de inteligencia artificial de Anthropic, para diseñar desde cero proteínas capaces de neutralizar toxinas de veneno de escorpión, sintetizarlas y someterlas a pruebas de laboratorio reales. De 211 diseños enviados a dos laboratorios especializados, 17 lograron unirse exitosamente a sus objetivos. Los efectos de bloqueo de esas proteínas sobre la actividad de las toxinas, sin embargo, todavía no han sido probados.
De los mercados financieros al laboratorio
Citrini Research no es una empresa de biotecnología: es una firma que vende análisis e ideas de inversión. A principios de junio de 2026, el equipo comenzó a buscar oportunidades fuera del sector de infraestructura de inteligencia artificial, preocupado por la saturación de ese mercado. Las ciencias de la vida y la salud les resultaron un área particularmente atractiva: según describieron, el sector había sido «un cementerio para rendimientos» durante los últimos cinco años, tras la reversión del auge de inversión de la pandemia y un entorno de financiación difícil, mientras los inversores volcaban su dinero hacia oportunidades percibidas como más atractivas. A su criterio, esa combinación —un sector descuidado con potencial de mejora vía IA— tenía «las marcas de nuestro tipo favorito de planteamiento: una historia secular en mínimos cíclicos».
Entre las principales recomendaciones de acciones que surgieron de esa tesis de inversión, Citrini mencionó a Charles River Laboratories, Revvity y Tecan Group. Según citó Bloomberg, los analistas de la firma argumentaron que el uso creciente de «biólogos virtuales» de IA debería aumentar la demanda de cualquier empresa que les envíe su «primera factura del mundo real», y describieron a Revvity como «el cómputo de la biotecnología».
Según relató la propia firma en su investigación, de los cinco miembros del equipo que encararon el proyecto, tres no tenían ningún conocimiento científico y dos tenían solo nociones básicas, sin experiencia como desarrolladores de fármacos. En vez de depender de consultas a expertos —que, según notaron, ofrecían respuestas contradictorias que iban desde «la IA no ha creado ni un solo fármaco importante» hasta «la IA curará todas las enfermedades en los próximos cinco años»— decidieron probarlo ellos mismos: usar el modelo para diseñar proteínas, contratar a un laboratorio para sintetizarlas y validarlas experimentalmente, y usar de nuevo el modelo para interpretar los resultados.
El acceso a un modelo no público, en las oficinas de Anthropic
Citrini presupuestó 200.000 dólares para el proyecto completo: cómputo, tokens de IA, trabajo de laboratorio y gastos asociados. El equipo instaló Claude Science —la mesa de trabajo de Anthropic lanzada en julio de 2026, que se conecta a más de 60 bases de datos científicas y permite que un agente principal genere subagentes especializados— en una máquina en la nube, y envió su primera consulta para clasificar candidatos.
De inmediato fueron detectados por los sistemas de seguridad de Anthropic: habían omitido por completo las consideraciones de bioseguridad. El pedido de Citrini de eludir el clasificador de bioseguridad de la compañía requirió un cuestionario de más de 60 preguntas sobre medidas de seguridad que la firma no tenía implementadas. La solución fue que el trabajo de diseño se realizara en persona, en las oficinas de Anthropic, usando la red local de la compañía y un modelo de investigación interno —identificado como «modelo de investigación 1″— más avanzado que la versión públicamente disponible en ese momento.
El equipo fijó dos criterios imprescindibles y uno deseable para elegir el objetivo del experimento: que fuera viable para probarse in vitro de forma rápida y económica; que dependiera en gran medida del diseño molecular; y, de ser posible, que tuviera un potencial impacto beneficioso actualmente descuidado. Entre las opciones evaluadas estuvieron enfermedades infantiles raras, un tratamiento para la bacteria C. diff y una «vacuna» contra análogos potentes del fentanilo. Los antivenenos —en particular contra toxinas de escorpión— sobrevivieron a ambas rondas de selección: ya existía un precedente científico (el laboratorio de David Baker había trabajado previamente con IA en antivenenos de serpiente), el entorno de tratamiento era agudo (una o pocas dosis, a diferencia de una proteína administrada de forma crónica), y permitía trabajar sobre un problema realmente novedoso al desviarse de las serpientes hacia las toxinas de escorpión.
Los antivenenos de escorpión que existen actualmente se producen inyectando a caballos dosis controladas de veneno extraído de escorpiones vivos, para luego recolectar su plasma y purificar los anticuerpos. Es un proceso laborioso y costoso —miles de dólares por dosis en Estados Unidos, aunque más barato en México— que un cóctel de proteínas producidas sintéticamente podría, en teoría, abaratar y escalar.
Una campaña de diseño de 64 horas
El equipo eligió trabajar con miniaglutinantes: pequeñas proteínas diseñadas para unirse específicamente a una proteína objetivo, en este caso, a las toxinas del veneno. Según explicó Citrini, el estado del arte de la IA para el diseño de moléculas grandes como proteínas —cadenas de aminoácidos con un «alfabeto evolutivo» estructurado— está considerablemente más avanzado que para moléculas pequeñas como compuestos químicos orgánicos tradicionales.
El objetivo inicial fue diseñar un aglutinante eficaz contra una sola toxina. Como desafío adicional («moonshot»), el equipo le pidió a Claude intentar diseñar una única molécula capaz de unirse a las cinco toxinas de escorpión seleccionadas —provenientes de especies de México, Brasil, el norte de África y Oriente Medio—, aunque el propio modelo advirtió de antemano que esa meta tenía pocas probabilidades de éxito.
Tras pulsar «enter» sobre el prompt inicial, Claude buscó en la literatura científica, coordinó software especializado de diseño y predicción molecular, gestionó los recursos computacionales necesarios y ensambló el paquete de candidatos sin requerir que el equipo supiera operar personalmente cada herramienta involucrada. En un momento del proceso, bajo supervisión humana, el propio modelo redactó y envió un correo electrónico a un científico de Twist Bioscience con preguntas puntuales sobre viabilidad de fabricación; el subconjunto de diseños afectado quedó en pausa hasta que la respuesta llegó, horas después, y Claude la integró para continuar el diseño.
La campaña inicial de diseño produjo 180 propuestas en 64 horas. Cuatro consultas de seguimiento ampliaron ese número hasta 211 diseños, que finalmente fueron enviados a dos organizaciones de investigación por contrato (CRO) —Adaptyv Bio y Twist Bioscience— para su síntesis y evaluación experimental. En total, el equipo humano envió apenas 367 mensajes a Claude durante todo el proceso. Según el detalle técnico recogido por otros medios especializados, la campaña completa generó 318.484 diseños candidatos internos y evaluó 553.052 combinaciones de proteína-toxina antes de seleccionar los 211 enviados a laboratorio.
Lo que mostraron los resultados
Diecisiete de los 211 diseños enviados a laboratorio se unieron exitosamente a su objetivo en cuatro de las cinco toxinas evaluadas: siete se unieron a la toxina mexicana Cn2, cuatro a AaH I, cuatro a AaH II y dos a LqhIII. Entre los diseños dirigidos específicamente contra una sola toxina, la tasa de éxito fue de aproximadamente 18% (11 de 60).
Los dos mejores candidatos, denominados Cn2-B1 y Cn2-B2, se unieron a su objetivo con afinidades en el rango bajo de nanomolar —una medición de qué tan fuertemente se adhiere un aglutinante a su objetivo, donde valores más bajos indican mayor afinidad—. En experimentos de competencia, un anticuerpo conocido que neutraliza la toxina Cn2 en ratones bloqueó a los aglutinantes diseñados por Claude en todas las pruebas evaluables, lo que sugiere que ambos se unen a una región superpuesta o cercana de la toxina: una señal alentadora, aunque todavía preliminar, sobre dónde actúan.
El intento de diseñar una única molécula capaz de unirse a las cinco toxinas de escorpión distintas no tuvo éxito: de 91 diseños orientados a esa meta conjunta, solo uno calificó, y únicamente contra una de las cinco toxinas (AaH I). Claude había advertido desde el inicio que esta meta era poco probable de alcanzar, y el resultado confirmó esa predicción.
Lo que todavía no se sabe
Citrini fue explícita en su informe: ningún experimento ha probado todavía si las proteínas diseñadas efectivamente detienen el funcionamiento de las toxinas de escorpión. Las pruebas realizadas midieron únicamente la unión física entre proteína y toxina mediante resonancia de plasmones superficiales (SPR) —una técnica que consiste en fijar las moléculas sobre una superficie de oro y medir cómo la luz reflejada cambia cuando se produce la unión—, no su capacidad de bloquear el efecto biológico del veneno sobre una célula viva. «Queda mucho por investigar antes de que alguien pueda calificar el resultado como un tratamiento», escribió la firma.
Según el detalle técnico de la investigación completa, el siguiente paso necesario sería un ensayo de «patch-clamp» —que mide las corrientes eléctricas a través de los canales iónicos de las células— para comprobar si los aglutinantes previenen o revierten la interrupción de la señalización eléctrica que provocan las toxinas. Solo después de esa validación tendría sentido avanzar hacia estudios de protección en animales, pruebas de dosis efectiva, tiempo de acción en el cuerpo, posibles reacciones inmunitarias no deseadas, toxicidad y el desarrollo de una formulación estable y un proceso de fabricación consistente, pasos todos imprescindibles antes de que cualquier autoridad regulatoria considere habilitar ensayos en humanos.
Las picaduras de escorpión afectan a al menos 1,2 millones de personas por año en el mundo y causan más de 3.250 muertes, en su mayoría entre niños con acceso limitado a atención médica, concentradas sobre todo en regiones de México, el norte de África y Oriente Medio. Los antivenenos actuales, producidos mediante inmunización animal, requieren meses de producción y suelen cubrir solo un rango limitado de toxinas. Un cóctel de proteínas sintéticas diseñadas específicamente contra las toxinas más relevantes en cada región podría, en teoría, acortar drásticamente esos tiempos y abaratar la producción a escala, aunque ese resultado está todavía lejos de confirmarse.
Costos, transparencia y lo que viene
El costo total del tramo experimental del proyecto —síntesis de ADN, expresión y purificación de proteínas, mediciones de unión y un ensayo de «desarrollabilidad» en ambos laboratorios contratados— ascendió a cerca de 150.000 dólares, a los que se sumaron unos 49.997 dólares en cómputo de IA (Citrini señaló, con humor, que Claude «logró quedarse 3 dólares por detrás» del presupuesto fijado). Del total de 250 diseños que el equipo había planeado enviar a síntesis, 211 pudieron concretarse dentro del presupuesto disponible.
Anthropic publicó, en paralelo al informe de Citrini, una entrada técnica de blog y una liberación pública de datos con los 211 diseños completos, sus estructuras predichas y los resultados experimentales —tanto los éxitos como los fracasos—, aunque los hallazgos no fueron sometidos a revisión por pares en una revista científica, sino presentados como reporte técnico.
Lo que queda planteado
El propio equipo de Citrini resumió su conclusión con una paradoja: a su criterio, la inteligencia artificial aplicada a la biología va a avanzar «de una manera alarmantemente rápida y no lo suficientemente rápida» al mismo tiempo. Rápida, porque un equipo de cinco personas sin experiencia biológica profunda pudo —en apenas tres meses y con 200.000 dólares de presupuesto— llevar un proyecto de diseño de proteínas desde una idea hasta resultados de laboratorio parcialmente validados, con una supervisión humana mínima una vez lanzada la campaña. No lo suficientemente rápida, porque ese mismo proceso deja en evidencia cuántas etapas —neutralización demostrada, pruebas en animales, seguridad, fabricación a escala, aprobación regulatoria— siguen dependiendo de los tiempos biológicos y regulatorios convencionales, que ninguna aceleración de cómputo puede saltear.
El episodio puede leerse en paralelo desde dos ángulos legítimos y no necesariamente contradictorios. Desde la óptica del avance científico, es un caso documentado de un modelo de lenguaje operando como coordinador autónomo de un proceso de diseño molecular de punta a punta, algo que hace pocos años habría requerido equipos especializados de bioinformática y meses de trabajo manual. Desde una óptica más cautelosa, se trata todavía de resultados preliminares —unión física demostrada, no neutralización terapéutica— obtenidos y difundidos, en parte, por una firma con interés comercial directo en promover una tesis de inversión sobre el sector de biotecnología asistida por IA, lo cual no invalida los datos pero sí amerita leerlos con el mismo escrutinio que cualquier otro resultado científico preliminar no revisado por pares.
Entre una tesis de inversión y un hallazgo de laboratorio hay, todavía, una distancia considerable: la que separa a una proteína capaz de adherirse a su objetivo de una que efectivamente lo neutralice, y a esa de un tratamiento aprobado. Ese tramo final, el más lento de todos, sigue corriendo al ritmo de la biología y no al de los GPU.
Bastión se sostiene con trabajo, no con publicidad. Si esto te aportó algo, invitame un café.
☕ Invitame un café