El descubrimiento de enzimas de Claude de Anthropic se parece a CRISPR, pero su función sigue siendo desconocida

Anthropic afirma que Claude encontró de forma autónoma un sistema enzimático previamente no caracterizado después de que unas 950 sesiones de agentes analizaran datos biológicos durante 21 horas. El descubrimiento de enzimas de Claude de Anthropic se parece a CRISPR en un aspecto estructural importante, pero ningún experimento ha demostrado que edite genes.

Esa distinción separa una pista científica intrigante de la herramienta que sugerían algunos titulares iniciales. Anthropic denomina al sistema transcriptasas inversas asociadas a matrices, o ART. Sus investigadores hallaron genes de transcriptasa inversa junto a matrices de ADN repetitivo en bacteriófagos, virus que infectan bacterias.

El resultado es el primer descubrimiento público de Anthropic procedente de un grupo de investigación en ciencias de la vida creado en la primavera de 2026. También pone a prueba una propuesta más amplia: si los agentes de IA de propósito general pueden detectar anomalías biológicas, investigarlas y entregar a los científicos candidatos que valga la pena evaluar. Claude superó esa prueba una vez, aunque no logró redescubrir la matriz definitoria en diez ejecuciones posteriores de la campaña.

Lo que realmente encontró el descubrimiento de enzimas de Claude de Anthropic

Claude encontró una nueva organización biológica, no un sustituto funcional de CRISPR.

Anthropic anunció el resultado el 23 de septiembre de 2026, junto con su nuevo laboratorio de biología molecular en el Área de la Bahía. Según el anuncio del sistema enzimático de la empresa, el laboratorio realiza trabajos de menor riesgo de BSL-1 y BSL-2. Científicos humanos realizan todos los experimentos físicos.

La campaña computacional comenzó con un encargo de investigación de alto nivel. Se pidió a Claude que buscara sistemas inusuales de transcriptasa inversa. Una transcriptasa inversa, o RT, es una enzima que copia ARN en ADN.

Los agentes reunieron más de 198.000 clústeres de RT y examinaron miles de familias de proteínas vecinas. La campaña completa consumió 215,6 millones de tokens en 949 sesiones de agentes, según el informe técnico sobre ART de Anthropic. Se ejecutó durante 21,5 horas de tiempo transcurrido y representó 77 horas-agente en total.

El resumen público de Anthropic redondea esas cifras a aproximadamente 200.000 RT, 950 agentes y 210 millones de tokens. Esos números describen la escala de la búsqueda. No establecen que 950 científicos de IA independientes investigaran simultáneamente el problema.

Los “agentes” eran sesiones del modelo coordinadas mediante un entorno de investigación. Una sesión podía planificar una tarea, otra revisarla y cualquiera de ellas podía abrir tareas de seguimiento. Esta estructura permitió a Claude explorar varias líneas sin que un científico dirigiera cada decisión intermedia.

El encargo original se centraba en nuevos genes asociados situados junto a transcriptasas inversas. Claude calificó 3.564 familias de proteínas como posibles asociadas y luego realizó investigaciones más profundas. Tres asociaciones superaron la revisión como relaciones de RT no reportadas previamente.

ART surgió por una vía más inusual. Un agente investigó un linaje de transcriptasa inversa asociado con fagos gigantes, que son bacteriófagos con genomas inusualmente grandes. La asociación proteica esperada parecía poco convincente, pero el agente siguió explorando la región genómica circundante.

Cargó ADN bruto aguas arriba en su contexto de trabajo y detectó una matriz de repeticiones en tándem. Un locus contenía 14 copias de una repetición de 16 nucleótidos, separadas por segmentos únicos de aproximadamente 100 a 200 nucleótidos.

Esa organización evocaba CRISPR porque los sistemas CRISPR también utilizan ADN repetitivo separado por secuencias variables. Las células transcriben esas matrices en ARN más pequeños, que pueden guiar proteínas asociadas a CRISPR hacia material genético coincidente.

El trabajo de laboratorio de Anthropic halló que las matrices ART también se transcriben en ARN cortos distintos. En un conjunto de datos de bacteriófagos de Staphylococcus, el ARN derivado de la matriz alcanzó hasta el 8 por ciento del ARN del fago 15 minutos después de la infección.

Los investigadores identificaron 95 clústeres distintos de RT relacionados con ART en fagos cultivados y secuencias virales predichas. Veintiocho tenían una matriz de repeticiones detectable situada aguas arriba. El sistema combinaba por lo general tres elementos: una transcriptasa inversa, un gen asociado adyacente y una matriz de repeticiones de ADN espaciadas uniformemente.

Estas observaciones respaldan la afirmación de que ART es un sistema biológico previamente no caracterizado. No revelan qué hace el sistema. Los investigadores de Anthropic no han demostrado que la transcriptasa inversa esté activa, que utilice los ARN cortos como sustratos ni que ART se dirija a otras secuencias genéticas.

Eso deja abierta, en lugar de establecida, la posibilidad más interesante. ART podría representar otro sistema molecular programable, o su arquitectura similar a CRISPR podría desempeñar un papel muy distinto dentro de los fagos.

Por qué importa la comparación con CRISPR

La comparación importa porque CRISPR también comenzó como un patrón de repeticiones sin explicación, no porque ART ya realice edición genética.

Los científicos se encontraron por primera vez con lo que se convertiría en CRISPR al examinar un gen de Escherichia coli en 1987. Detectaron una serie desconocida de secuencias de ADN repetidas, pero no entendían su función. La secuencia original de CRISPR90183-4) apareció años antes de que los investigadores vincularan esas repeticiones con la inmunidad microbiana.

El término CRISPR llegó en 2002. Estudios posteriores establecieron que las bacterias y las arqueas almacenan fragmentos de material genético viral entre repeticiones. El ARN copiado de esas regiones ayuda a las proteínas asociadas a reconocer y atacar invasores coincidentes.

Con el tiempo, los investigadores adaptaron ese mecanismo para la edición programable del genoma. La lección histórica no es que toda matriz de repeticiones se convierta en una plataforma biotecnológica. Es que un patrón genómico extraño puede señalar una maquinaria cuya importancia solo se hace evidente tras años de trabajo experimental.

ART comparte parte de esa gramática visual. Sus unidades repetitivas están separadas por secuencias variables y la matriz produce ARN cortos. Estas características justifican investigar si los ARN guían o programan otra actividad molecular.

Varias diferencias también debilitan cualquier equivalencia directa. El informe técnico no encontró genes cas cercanos, que codifican las proteínas centrales de los sistemas CRISPR establecidos. Los espaciadores de ART también parecen conservarse entre fagos relacionados, mientras que los espaciadores CRISPR suelen variar a medida que los microbios se encuentran con diferentes virus.

ART se construye en torno a una transcriptasa inversa, en lugar de una nucleasa asociada a CRISPR conocida. Una nucleasa corta ácidos nucleicos, mientras que una transcriptasa inversa copia ARN en ADN. Esa diferencia implica que ART podría participar en la modificación del genoma sin operar como las herramientas CRISPR conocidas.

Feng Zhang, investigador del Broad Institute y MIT que ayudó a desarrollar la edición genómica CRISPR, revisó el preprint antes del anuncio de Anthropic. Describió como genuinamente intrigantes las matrices de repeticiones de ARN asociadas con transcriptasas inversas y afirmó que merecían una investigación adicional.

Su reacción respalda el interés científico del hallazgo. No equivale a una confirmación experimental independiente. Ningún laboratorio externo ha publicado todavía evidencia que establezca la función o programabilidad de ART.

Por tanto, la comparación funciona mejor como un mapa de investigación. CRISPR da a los científicos un motivo para preguntar si los ARN derivados de las repeticiones de ART codifican objetivos, guían una enzima o registran información. No proporciona las respuestas.

Un grupo de investigación distinto ha reportado matrices de ARN no codificante junto a otra familia de transcriptasas inversas. Su preprint de minería genómica utilizó un modelo de lenguaje genómico diseñado específicamente para identificar patrones estructurales relacionados.

Ese paralelismo importa porque sugiere que las transcriptasas inversas vinculadas a repeticiones podrían no ser un accidente aislado. Arquitecturas similares podrían haber evolucionado más de una vez, quizá porque resuelven un problema biológico recurrente.

La misma evidencia también hace que la afirmación de Anthropic sea menos singular. La minería genómica asistida por IA ya se aplicaba a elementos no codificantes poco conocidos y a sus proteínas asociadas. La contribución de Claude reside en parte en utilizar un modelo general y un entorno de agentes, en lugar de un sistema diseñado para una sola tarea genómica.

El descubrimiento de enzimas de Claude de Anthropic resulta convincente porque el modelo parece haber detectado la matriz definitoria sin una instrucción que le indicara buscar repeticiones. El encargo de investigación se dirigía a genes asociados con RT, y el agente siguió la pista de la matriz después de investigar una línea inicialmente descartada.

Eso se asemeja a la serendipia científica. Un investigador busca una relación, encuentra una anomalía y cambia de dirección. Que la IA pueda reproducir ese patrón de forma fiable es ahora más importante que si una transcripción exitosa suena humana.

La verdadera disputa es descubrimiento fiable frente a atención afortunada

El resultado más sólido de Anthropic es que Claude reconoció la anomalía; su mayor debilidad es que el sistema rara vez miró en el lugar adecuado.

La campaña de descubrimiento fue autónoma en un sentido limitado pero significativo. Una vez que los investigadores proporcionaron el encargo inicial, el entorno se ejecutó sin intervención humana durante más de 21 horas. Claude organizó tareas, creó búsquedas computacionales, descartó candidatos débiles y abrió investigaciones de seguimiento.

Ningún científico indicó al agente exitoso que inspeccionara una matriz de repeticiones. El modelo cargó de forma independiente la secuencia aguas arriba, describió el patrón, escribió código de análisis, comparó la estructura con sistemas conocidos y preparó un informe para revisión humana.

Eso es más que resumir artículos o proponer un experimento conocido. El sistema pasó de un objetivo amplio a una observación que no estaba especificada en la tarea original.

Sin embargo, Anthropic repitió la misma campaña diez veces después del descubrimiento inicial. Ninguna de esas repeticiones redescubrió la matriz.

Varias repeticiones tomaron muestras de secuencias relacionadas con ART, y dos investigaron el linaje relevante. Aun así, los agentes no lograron cargar la región de ADN aguas arriba que contenía las repeticiones. Claude podía reconocer la característica, pero el flujo de trabajo no exponía la característica al modelo de forma consistente.

Esa distinción cambia la forma en que debe interpretarse el “descubrimiento autónomo”. La ejecución exitosa muestra que el modelo tiene capacidades útiles para reconocer patrones y realizar seguimiento. Los diez fallos muestran que el sistema de agentes circundante aún no puede ofrecer una cobertura fiable.

Anthropic realizó pruebas más controladas para aislar el reconocimiento del comportamiento de búsqueda. Los investigadores proporcionaron a siete modelos de Claude entradas relacionadas con ART en cinco niveles de detalle, ya fuera directamente en el prompt o mediante archivos y herramientas.

Los modelos más sólidos identificaron la matriz en al menos el 90 por ciento de los ensayos cuando las secuencias relevantes se colocaban directamente en el contexto. El rendimiento cayó cuando los modelos tenían que localizar y leer las secuencias mediante herramientas. En algunas condiciones, el reconocimiento descendió hasta el 32 por ciento.

En el 39 por ciento de los intentos basados en archivos, el modelo nunca leyó un tramo continuo de al menos 200 nucleótidos. Por tanto, vio demasiado poca secuencia bruta como para reconocer más de una unidad repetitiva.

El cuello de botella no era simplemente el razonamiento biológico. Era la gestión de la atención dentro de un flujo de trabajo abierto.

Un agente dispone de tiempo, contexto y recursos computacionales limitados. Debe decidir qué archivos abrir, qué regiones inspeccionar y qué anomalías merecen otra tarea. Incluso un modelo capaz puede pasar por alto un descubrimiento si sus herramientas resumen y eliminan la evidencia decisiva.

Esto crea un referente más práctico para la ciencia con IA. Un sistema de descubrimiento útil debe hacer más que identificar un patrón cuando los investigadores lo ponen a la vista. Debe recorrer repetidamente un amplio espacio de búsqueda y decidir examinar la evidencia correcta.

El software científico tradicional suele abordar este problema mediante flujos de trabajo deterministas. Los investigadores definen búsquedas explícitas de secuencias repetidas, dominios proteicos, vecindarios conservados o relaciones evolutivas. Esos métodos son limitados, pero se comportan de forma consistente.

Un agente de IA general ofrece una ventaja diferente. Puede combinar revisión bibliográfica, generación de código, análisis de secuencias, formulación de hipótesis e interpretación escrita. También puede cambiar de rumbo cuando un resultado contradice su expectativa inicial.

La contrapartida es la variabilidad. Dos ejecuciones pueden seguir ramas distintas incluso cuando reciben el mismo encargo. Una sesión puede inspeccionar ADN sin procesar, mientras que otra puede aceptar un resumen y continuar.

Por tanto, el resultado de Anthropic ejerce presión tanto sobre los laboratorios de IA como sobre los desarrolladores de software científico. Los agentes generales deben volverse más reproducibles. Las herramientas especializadas deben resultar más fáciles de seleccionar y orquestar para los agentes sin perder la evidencia original.

Un sistema más sólido combinaría ambos enfoques. Las comprobaciones deterministas podrían exigir que los agentes inspeccionen ventanas mínimas de secuencia, ejecuten software de detección de repeticiones y conserven la evidencia intermedia. El modelo de lenguaje podría entonces centrarse en seleccionar hipótesis y conectar resultados inesperados.

Esto se parece al buen trabajo de conocimiento fuera de la biología. Un sistema de IA produce mejores análisis cuando puede conservar el material fuente, inspeccionar el registro subyacente y conectar hallazgos entre tareas. Una base de conocimientos de IA estructurada no puede sustituir el juicio experto, pero puede reducir la probabilidad de que la evidencia decisiva desaparezca dentro de un resumen.

Para Anthropic, la fiabilidad ahora importa más que otro gran recuento de agentes. Convertir un éxito entre once campañas en un resultado repetible fortalecería mucho más el argumento a favor de la investigación autónoma que ampliar el enjambre.

El laboratorio experimental acota la afirmación sin resolverla

Los experimentos físicos confirmaron que las matrices producen ARN, pero no establecieron la actividad ni el propósito biológico de la enzima.

Los anuncios sobre biología con IA a menudo difuminan tres logros distintos: generar una hipótesis, validar una característica observable y demostrar una función útil. Anthropic ha completado partes de las dos primeras etapas para ART.

La campaña computacional identificó la disposición genómica y propuso que representa un sistema. Luego, científicos humanos comprobaron si las matrices repetidas se expresaban. Detectaron productos distintos de ARN corto, lo que respalda la idea de que la matriz participa en un proceso biológico activo.

Esa validación importa. Las bases de datos genómicas contienen errores de secuenciación, ensamblajes incompletos y patrones sin importancia funcional. Observar la expresión de ARN hace más difícil descartar ART como un artefacto computacional.

Sin embargo, la transcripción por sí sola no explica el sistema. Las regiones de ADN pueden producir ARN sin controlar una enzima programable. Los investigadores aún deben determinar si la transcriptasa inversa ART copia esos ARN, si participa la proteína asociada y qué resultado biológico se produce.

El trabajo actual también carece de replicación independiente. Anthropic publicó un informe técnico en lugar de un artículo de revista revisado por pares. Investigadores externos pueden examinar sus métodos, pero otro laboratorio no ha reproducido públicamente las observaciones bioquímicas.

La empresa merece reconocimiento por documentar resultados desfavorables. Las diez repeticiones fallidas y las puntuaciones más bajas en los benchmarks basados en archivos complican su lenguaje de marketing, pero aparecen en el informe.

Estas divulgaciones permiten a los lectores distinguir tres afirmaciones.

Primero, Claude encontró un patrón genómico pasado por alto durante una campaña no supervisada. Los registros y métodos disponibles respaldan ese relato.

Segundo, ART es un sistema previamente no caracterizado cuyas matrices repetidas producen ARN cortos. Los experimentos de Anthropic respaldan esa conclusión, sujeta a replicación externa.

Tercero, ART es comparable a CRISPR como plataforma programable de edición genética. La evidencia actual no respalda esa conclusión.

La propia Anthropic emplea un lenguaje más cuidadoso que algunos resúmenes. Describe propiedades “que recuerdan a CRISPR” y afirma que el sistema podría implicar algo análogo. También señala que la función principal de ART sigue siendo desconocida.

Cerrar la brecha entre la segunda y la tercera afirmación podría requerir un trabajo considerable. Los investigadores deben purificar o expresar las proteínas pertinentes, identificar sustratos moleculares, medir la actividad y comprobar si cambiar las secuencias espaciadoras modifica una diana.

También deben establecer el papel natural de ART. Dado que el sistema parece encontrarse principalmente en bacteriófagos, podría ayudar a los virus a copiar información genética, evadir las defensas bacterianas, manipular células huésped o competir con otros fagos. Cada posibilidad implica un programa experimental diferente.

La seguridad y la gobernanza importarán si el sistema se vuelve programable. Anthropic afirma que su laboratorio no trabaja con patógenos capaces de infectar a seres humanos. Los experimentos actuales siguen estando lejos de una aplicación clínica o de edición genética de alto riesgo.

La empresa también está explorando formas de que los agentes de IA operen instrumentos científicos. Su vista previa del estándar de hardware describe una interfaz común para microscopios, manipuladores de líquidos, brazos robóticos y otros dispositivos programables.

ART no surgió de un laboratorio completamente robótico. Claude realizó la búsqueda en bases de datos y ayudó con el análisis, mientras que científicos humanos llevaron a cabo el trabajo experimental. Esa separación es importante porque limita tanto la afirmación de autonomía como el riesgo físico inmediato.

Combinar el análisis basado en agentes con experimentos automatizados crearía un ciclo de descubrimiento más completo. Un sistema de IA podría proponer candidatos, ordenar pruebas, inspeccionar resultados y revisar sus hipótesis. También crearía modos de fallo adicionales relacionados con el control de instrumentos, la contaminación, el diseño experimental y objetivos inseguros.

Anthropic ya ha observado que Claude puede tener dificultades con las restricciones físicas. En una prueba de automatización de laboratorio, el modelo reintentó una operación de manipulación de líquidos cuando las burbujas provocaron errores, lo que empeoró el problema. La orientación humana le ayudó a reconocer la causa física y ajustar su comportamiento.

Ese ejemplo captura el límite central de la ciencia con IA actual. Los modelos pueden razonar sobre enormes cantidades de información simbólica, pero no poseen la intuición física acumulada de un científico. Un laboratorio experimental revela errores que parecen plausibles en texto o código.

Por ello, ART es una prueba inicial útil precisamente porque el resultado sigue incompleto. La IA generó una pista prometedora. Los experimentos humanos establecieron que parte de esa pista era real. Ninguna de las dos partes ha explicado aún la biología.

Qué deberían vigilar ahora los científicos y los creadores de IA

Tres señales determinarán si ART se convierte en un descubrimiento importante o sigue siendo una pista instructiva generada por IA.

La primera señal es la validación funcional. Los investigadores necesitan evidencia de que la transcriptasa inversa o su proteína asociada realiza una reacción medible que involucra los ARN derivados de la matriz.

Un experimento convincente identificaría el sustrato y el producto de la enzima. Una evidencia más sólida mostraría que cambiar una repetición o un espaciador modifica el resultado molecular de manera predecible.

Si ART resulta programable, la comparación con CRISPR gana fundamento. Si sus ARN no están relacionados con la actividad de la enzima, la comparación se debilita incluso si el sistema sigue siendo biológicamente interesante.

La segunda señal es la replicación independiente. Otro laboratorio debería confirmar los productos de ARN, reconstruir el sistema y probar sus componentes sin depender del flujo de trabajo interno de Anthropic.

Los resultados independientes separarían la biología de la demostración del modelo de la empresa. No lograr reproducir las observaciones obligaría a examinar más de cerca las condiciones experimentales, la selección de secuencias y el análisis.

La revisión por pares ayudará, pero la publicación por sí sola no es el umbral decisivo. Los experimentos funcionales realizados por investigadores con incentivos y equipos distintos tendrían más peso.

La tercera señal es la reproducibilidad de la campaña. Anthropic u otro grupo debería repetir el flujo de trabajo de descubrimiento con salvaguardas que obliguen a los agentes a inspeccionar la secuencia original alrededor de loci prometedores.

Los benchmarks controlados ya sugieren una intervención directa. Cuando Claude lee el ADN pertinente, suele reconocer las repeticiones. Un mejor entorno de prueba debería sistematizar esa inspección sin convertir el flujo de trabajo en un script diseñado específicamente para encontrar ART.

Los investigadores deberían informar del éxito en múltiples ejecuciones, no solo de la mejor transcripción. También deberían revelar cuántos candidatos requirieron revisión humana, cuánta capacidad de cómputo utilizó cada campaña y qué decisiones automatizadas modificaron el resultado final.

Si un sistema revisado encuentra ART en la mayoría de ejecuciones comparables, el resultado inicial de uno entre once parecerá una limitación temprana de ingeniería. Si el éxito sigue siendo infrecuente, el descubrimiento autónomo seguirá pareciéndose más a una exploración oportunista que a infraestructura científica fiable.

Eso no hace que la observación original carezca de valor. La ciencia humana también depende del azar, de una atención inusual y de investigadores que siguen señales débiles. El valor de la IA puede provenir en parte de crear más oportunidades para esos momentos.

La cuestión económica es si esas oportunidades justifican el coste de filtrar sus resultados. La campaña de Anthropic produjo miles de asociaciones posibles y un conjunto mucho menor de informes que valía la pena leer. Los expertos humanos aún tuvieron que evaluar candidatos y realizar experimentos.

Para los científicos en activo, la lección inmediata es más acotada que “la IA puede sustituir a los investigadores”. Los agentes generales pueden buscar en literatura, datos genómicos y herramientas computacionales a una escala que una sola persona no puede mantener. También pueden pasar por alto evidencia obvia si los flujos de trabajo no conservan los datos sin procesar ni exigen una inspección adecuada.

Para los creadores de IA, ART ofrece un mejor referente que una prosa científica pulida. ¿Puede un agente explorar un espacio de búsqueda abierto, conservar evidencia, reconocer una anomalía, cuestionar su primera explicación y reproducir posteriormente el recorrido?

Para los equipos de empresa y de trabajo del conocimiento, se aplica el mismo principio de diseño. La calidad de los agentes depende del acceso a los registros originales, decisiones trazables y recuperación repetible. Una base de conocimientos con capacidad de búsqueda útil debería ayudar a las personas a verificar cómo surgió una respuesta, no limitarse a presentar una conclusión segura.

El descubrimiento de la enzima Claude de Anthropic ya ha superado un umbral significativo. Claude detectó una estructura genómica que los investigadores no habían caracterizado y dirigió la atención humana hacia ella.

No ha superado los umbrales más difíciles de descubrimiento repetible, validación independiente o función demostrada de edición genética. Esas son ahora las mediciones que importan.

Observe los experimentos, no la analogía. Si ART resulta programable y otros laboratorios lo reproducen, Anthropic contará con un ejemplo sólido de IA que inicia un descubrimiento biológico de importancia. Si la función sigue siendo esquiva, el proyecto aún revelará algo útil: la IA puede generar pistas científicas, pero la ciencia fiable comienza cuando esas pistas sobreviven al contacto repetido con la evidencia.