Por Canuto  

Anthropic reveló que adquirió Mithril Medicine, una empresa de una sola persona que utilizó Claude para coordinar experimentos y llevar un candidato terapéutico hasta resultados prometedores en ratones. La adquisición se completó en julio y se dio a conocer el 27 de octubre de 2026. El caso ilustra cómo la IA podría acelerar distintas etapas del desarrollo farmacéutico, aunque todavía no reemplaza la evidencia clínica ni garantiza que los tratamientos lleguen a pacientes.
***

  • Anthropic reveló el 27 de octubre que había adquirido Mithril Medicine en julio; su fundador, Cody Tranbarger, coordinó pruebas con 11 laboratorios externos usando Claude.
  • Un informe de Anthropic describe aplicaciones de IA en diseño de anticuerpos, terapias celulares, documentación regulatoria y planificación de ensayos.
  • Los resultados siguen en etapas tempranas; la compañía plantea más capacidad de cómputo como vía para ampliar la medicina personalizada.

 

Anthropic reveló el 27 de octubre de 2026 que había adquirido en julio Mithril Medicine, una compañía de biotecnología fundada por una sola persona que utilizó Claude para coordinar contratos, logística y experimentos con 11 laboratorios externos. Su fundador, Cody Tranbarger, desarrolló tratamientos para dos formas raras de distrofia muscular y, en menos de 18 meses, llevó un candidato para una de ellas desde una idea hasta resultados prometedores en ratones. El caso sirve para ilustrar el potencial de la inteligencia artificial en investigación farmacéutica, aunque no demuestra por sí solo que un tratamiento vaya a funcionar en seres humanos.

La adquisición y los avances de otras empresas forman parte del argumento expuesto por David Shapiro en el video “Anthropic compra Mithril Medicine”, contenido basado en un informe de la compañía sobre el uso de Claude en el desarrollo de medicamentos. Según Shapiro, Tranbarger se incorporó a Anthropic y planea iniciar varios programas nuevos allí; la firma espera que, si sus candidatos mantienen su potencial, uno pueda llegar a ensayos en humanos a finales de 2028. Esa expectativa es una proyección, no un ensayo iniciado ni una garantía de aprobación.

La IA interviene en varios cuellos de botella

El informe Early Progress on Accelerating Drug Development with Claude presenta el trabajo de Anthropic con seis organizaciones dedicadas a desarrollar medicamentos. Su planteamiento central es que el proceso farmacéutico no enfrenta un único obstáculo: desde el diseño de moléculas hasta la documentación y la planificación de ensayos, distintos pasos pueden retrasar o encarecer la investigación. La IA aparece como una herramienta para ayudar a equipos pequeños a procesar más propuestas y organizar tareas, no como sustituto automático de laboratorios, especialistas o reguladores.

En el campo del cáncer, Generate Biomedicines busca ampliar el uso de la terapia de células T CAR, que reprograma células inmunes del propio paciente para atacar tumores y hasta ahora ha beneficiado principalmente a personas con cánceres de sangre. Seis científicos de la empresa usaron Claude Code para proponer versiones más cortas de una parte de las instrucciones genéticas de la terapia, con el objetivo de liberar espacio para incorporar otras. Un diseño resultó cerca de 70% más corto que la versión estándar y, en pruebas de laboratorio, produjo aproximadamente 10 veces más receptores, con una respuesta antitumoral más eficiente y duradera.

Otro proyecto se enfoca en las alergias alimentarias, que pueden desencadenarse cuando el anticuerpo IgE se une a determinadas células inmunes. Los medicamentos estándar descritos en el informe atacan la IgE libre en la sangre, mientras Divergence Labs explora anticuerpos de dos brazos capaces de agarrar esa molécula y desprenderla de las células. En alrededor de un mes, Claude generó 35.000 diseños; las pruebas iniciales identificaron tres que podían agarrar IgE y 20 que podían desprenderla, de los cuales tres parecieron superar a los medicamentos estándar en esa función.

Big Hat Biosciences utilizó Claude para mejorar dos candidatos a fármacos basados en anticuerpos, y su laboratorio produjo y evaluó más de 1.000 versiones en unas 10 semanas. Las mejores variantes se unieron a sus objetivos con una afinidad más de 10 veces superior a la de los candidatos originales, de acuerdo con el informe. Ese resultado apunta a una forma de acortar la búsqueda de moléculas prometedoras, pero la unión más fuerte a un objetivo no basta para demostrar que un fármaco sea seguro o eficaz en pacientes.

La aplicación también llegó a la gestión de documentos de fabricación. En Enveda, los químicos de manufactura podían dedicar hasta 75% de su tiempo a preparar registros de calidad y solicitudes regulatorias; la empresa conectó sus documentos con Claude para que el sistema señalara posibles problemas. En una revisión de 1.061 páginas, Claude detectó los 11 problemas identificados por revisores humanos y señaló otros siete que ellos no habían encontrado, mientras que redactar un documento regulatorio tomó cuatro horas frente a los cerca de tres meses que habría requerido hacerlo a mano.

Bristol Myers Squibb, por su parte, usa Claude para planificar ensayos clínicos y estimar sus probabilidades de éxito. Un alto ejecutivo de la farmacéutica afirmó que, con una sola instrucción, el sistema produjo un primer análisis sólido que de otro modo habría tomado días. El ejemplo muestra una posible ayuda en etapas de planificación, pero no aporta por sí mismo datos de ensayos completados ni evidencia de que la IA mejore sus resultados clínicos.

Resultados iniciales, no tratamientos aprobados

Anthropic reconoce que la mayoría de los proyectos descritos continúa en fases tempranas y que buena parte de la investigación aún no llega a ensayos en seres humanos. Los resultados en laboratorio o en animales pueden ayudar a priorizar candidatos, pero muchos compuestos que parecen prometedores en esas condiciones nunca llegan a convertirse en tratamientos para pacientes. Por eso, el valor que la compañía destaca no depende de un único fármaco, sino de cuántas hipótesis puede explorar un equipo y con qué rapidez puede evaluarlas.

La compra de Mithril Medicine condensa esa lógica: una persona coordinó experimentos con 11 laboratorios externos y delegó a Claude tareas administrativas y de gestión, mientras trabajaba en tratamientos para dos enfermedades raras. El relato no especifica que la IA haya realizado por sí sola el trabajo científico ni que los laboratorios hayan dejado de ser necesarios. Más bien, presenta un modelo en el que las herramientas automatizadas ayudan a que un investigador organice recursos y avance con equipos externos sin tener que construir una gran estructura interna.

Para explicar por qué considera necesario multiplicar el cómputo, Shapiro conecta esos ejemplos con la medicina personalizada. Como antecedente, relata el caso de KJ Muldoon, un bebé nacido cerca de Filadelfia durante el verano de 2024, a quien los médicos diagnosticaron pocos días después de nacer con deficiencia de CPS1. La enfermedad implica que el hígado carezca de una enzima necesaria para convertir amoníaco en urea; cuando el amoníaco se acumula en niveles altos, puede dañar el cerebro y el hígado e incluso resultar mortal.

Un equipo del Hospital Infantil de Filadelfia y Penn Medicine llevaba desde 2023 trabajando en edición genética para trastornos como el de KJ. En seis meses diseñó y fabricó un tratamiento personalizado para corregir una letra incorrecta en el ADN del bebé, con el objetivo de llevar la edición a sus células hepáticas; recibió una primera dosis a finales de febrero de 2025 y otras dos en marzo y abril. Según el relato, el tratamiento le permitió comer más proteína y reducir medicación, mientras sus médicos informaron que crecía bien y prosperaba; tras más de 300 días en el hospital, pudo volver a casa.

El caso muestra el potencial de un medicamento diseñado para una persona concreta, pero también la dificultad de convertir ese modelo en atención accesible a gran escala. La narración señala que, en febrero de 2026, la FDA propuso una nueva vía para aprobar tratamientos como el de KJ, una propuesta regulatoria que no debe confundirse con una aprobación general ya vigente. También estima que unos 30 millones de personas en Estados Unidos viven con enfermedades raras, cerca de una de cada 10, y que se conocen más de 10.000 de estas afecciones, mientras solo unas 500 cuentan siquiera con algún tratamiento.

Personalización y capacidad de cómputo

La tesis de Shapiro es que la escasez de expertos puede convertirse en un límite para extender tratamientos diseñados paciente por paciente. Un caso como el de KJ requirió médicos, científicos de dos grandes instituciones y apoyo de varias compañías; no sería posible asignar hoy un equipo de ese tipo a cada persona que vive con una enfermedad rara. Si las herramientas de IA asumen más tareas de análisis, coordinación y diseño, argumenta, el cuello de botella podría desplazarse hacia la disponibilidad de cómputo, aunque esa transición dependerá de capacidades y validaciones que aún deben desarrollarse.

La personalización tampoco se limitaría a trastornos raros, según esa perspectiva: las células de cada paciente, las mutaciones de cada tumor y la forma en que cada organismo procesa un medicamento pueden variar. La terapia CAR-T ya se fabrica con células inmunes del propio paciente, y los tumores presentan características distintas, de modo que adaptar tratamientos podría ser relevante también para el cáncer, las enfermedades cardíacas y el daño asociado con el envejecimiento. El desafío consiste en que cada ajuste debe apoyarse en mediciones biológicas y pruebas que confirmen tanto la seguridad como la eficacia.

Shapiro ilustra la escala potencial con el trabajo de Divergence Labs: 35.000 diseños de anticuerpos generados en cerca de un mes equivaldrían, si se multiplicara esa capacidad por un millón, a 35.000 millones de propuestas mensuales. Frente a una población mundial que el contenido cifra en unos 8.000 millones de personas, eso representaría más de cuatro diseños por persona al mes. La comparación es una proyección aritmética para explicar la idea de personalización masiva; no significa que todos esos diseños sean útiles, seguros o aplicables a individuos.

El argumento sobre el crecimiento del cómputo se apoya en que la capacidad utilizada para entrenar los modelos de IA más grandes habría aumentado entre cuatro y cinco veces al año desde 2010. Si se mantuviera un crecimiento de cuatro veces anuales durante otra década, la expansión acumulada se acercaría a un millón de veces, de acuerdo con el cálculo presentado por Shapiro. Esa extrapolación depende de que continúe el ritmo observado y no elimina límites como el costo, la energía, la disponibilidad de infraestructura o la necesidad de experimentos físicos.

La promesa de longevidad y sus límites

El destino final de esa visión es la llamada velocidad de escape de la longevidad, concepto que el contenido atribuye al gerontólogo Aubrey de Grey. La idea describe un escenario en el que la medicina añadiría más de un año a la esperanza de vida restante por cada año calendario transcurrido, de modo que las mejoras terapéuticas compensaran el paso del tiempo. No se trata de un resultado médico actual, sino de una meta hipotética que requeriría avances sostenidos en prevención, diagnóstico y tratamiento del envejecimiento.

Como referencia histórica, Shapiro afirma que durante los últimos 160 años el récord mundial de esperanza de vida femenina aumentó alrededor de tres meses por cada año calendario, una mejora importante pero inferior a los 12 meses anuales que exigiría esa velocidad de escape. El desafío, según el planteamiento, radica en que el envejecimiento comprende diversos tipos de daño que se acumulan a ritmos y por causas distintas en cada persona. Por eso, una estrategia de intervención tendría que medir qué falla en cada organismo y corregirlo repetidamente a lo largo de la vida.

Ese proceso demandaría cómputo para interpretar datos biológicos, diseñar posibles tratamientos y organizar experimentos que permitan comprobar si funcionan y son seguros. La velocidad de investigación podría beneficiarse de herramientas que faciliten más ciclos de diseño y prueba, pero más capacidad computacional no equivale automáticamente a más años de vida ni resuelve por sí sola la complejidad biológica. La distancia entre una propuesta generada por IA, un candidato validado en laboratorio y un medicamento útil para pacientes sigue siendo central para evaluar estas promesas.

La adquisición de Mithril Medicine y los casos incluidos en el informe muestran aplicaciones concretas de Claude en investigación, desarrollo, documentación y planificación farmacéutica, junto con resultados que todavía requieren validación adicional. Anthropic proyecta que, si sus candidatos mantienen su potencial, uno podría llegar a ensayos humanos a finales de 2028, mientras Shapiro sostiene que ampliar el cómputo ayudaría a extender la medicina personalizada. El próximo paso relevante será comprobar si estas herramientas aceleran tratamientos que superen las pruebas clínicas y regulatorias, no solo la generación de diseños o la reducción de tareas administrativas.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados