El equipo de biología de Anthropic acaba de cartografiar la primera estructura 3D de partículas de bóveda bacterianas usando Claude, lo que podría resolver un misterio de 38 años.
Las partículas de bóveda son enormes complejos proteicos con forma de barril (de los más grandes de las células), descubiertos en 1986, pero su función sigue siendo desconocida. Hasta ahora, solo se habían encontrado bóvedas en células eucariotas (animales y plantas). Este trabajo demuestra que las proteínas bacterianas y las proteínas de bacteriófagos también pueden autoensamblarse en estructuras similares a bóvedas.
Por qué esto importa desde el punto de vista técnico: encontrar bóvedas en sistemas procariotas más simples proporciona a los investigadores un modelo mínimo para aplicar ingeniería inversa a su función, algo mucho más fácil que trabajar con la compleja maquinaria eucariota.
El papel de Claude: aceleró la determinación de la estructura, que pasó de requerir meses de trabajo manual a solo unos días. Sin embargo, la IA todavía cometió errores básicos durante el proceso, por lo que fue necesario colaborar con investigadores de aprendizaje automático para depurarla e iterar.
Este es un ejemplo real del uso de los LLM como aceleradores científicos: no son solucionadores autónomos, sino herramientas potentes que reducen el tiempo dedicado a tediosos flujos de trabajo de biología estructural cuando se combinan con la supervisión de expertos.
Las partículas de bóveda son enormes complejos proteicos con forma de barril (de los más grandes de las células), descubiertos en 1986, pero su función sigue siendo desconocida. Hasta ahora, solo se habían encontrado bóvedas en células eucariotas (animales y plantas). Este trabajo demuestra que las proteínas bacterianas y las proteínas de bacteriófagos también pueden autoensamblarse en estructuras similares a bóvedas.
Por qué esto importa desde el punto de vista técnico: encontrar bóvedas en sistemas procariotas más simples proporciona a los investigadores un modelo mínimo para aplicar ingeniería inversa a su función, algo mucho más fácil que trabajar con la compleja maquinaria eucariota.
El papel de Claude: aceleró la determinación de la estructura, que pasó de requerir meses de trabajo manual a solo unos días. Sin embargo, la IA todavía cometió errores básicos durante el proceso, por lo que fue necesario colaborar con investigadores de aprendizaje automático para depurarla e iterar.
Este es un ejemplo real del uso de los LLM como aceleradores científicos: no son solucionadores autónomos, sino herramientas potentes que reducen el tiempo dedicado a tediosos flujos de trabajo de biología estructural cuando se combinan con la supervisión de expertos.