Un estudio revela que los modelos Claude fueron entrenados a gran escala con secuencias de proteínas
Nuevas pruebas muestran que Claude Fable 5.2 y Opus 5.5 predicen aminoácidos en proteínas poco estudiadas, lo que indica un entrenamiento a gran escala con datos de secuencias biológicas.
Traducido automáticamente del original en inglés.
Una investigación técnica publicada en noviembre de 2026 revela que los últimos modelos Claude fueron entrenados con datos de secuencias de proteínas a una escala significativa. Los investigadores Xinming Tu y Leo Tianlai Chen demostraron que Claude Fable 5.2 y Claude Opus 5.5 pueden predecir con precisión el siguiente aminoácido en proteínas bacterianas poco estudiadas, una capacidad ausente en otros modelos de vanguardia. Este hallazgo sugiere que Anthropic incluyó vastas bases de datos biológicas en su corpus de entrenamiento, distinguiendo su enfoque del de competidores como OpenAI y Google.
Qué ocurrió
El estudio se centró en la predicción del siguiente aminoácido utilizando un conjunto de pruebas de 668 proteínas bacterianas y arqueanas pertenecientes a 167 familias Pfam de función desconocida. Estas proteínas fueron seleccionadas porque no tienen estructuras resueltas, cuentan con menos de tres artículos asociados y no poseen parientes cercanos en bases de datos estándar como UniProt. Al cortar cada proteína en cinco puntos y pedir al modelo que predijera los siguientes diez aminoácidos, los investigadores midieron qué tan bien comprendían los modelos la secuencia biológica subyacente, en lugar de simplemente recitar texto memorizado de la literatura científica.
Los resultados mostraron un contraste marcado entre los modelos Claude y otros sistemas líderes. Claude Fable 5.2 logró una precisión del 54% en secuencias de proteínas reales, frente a solo el 9% en versiones barajadas donde el orden fue destruido. Claude Opus 5.5 mostró un comportamiento similar, con un aumento significativo de la precisión respecto a versiones anteriores. En comparación, GPT-6.2 Sol, GPT-6 Astra, Gemini y siete modelos de pesos abiertos, incluidos DeepSeek V4.1 Flash y Qwen 3.8, mantuvieron una precisión cercana a cero, incluso cuando se les pidió continuar con texto FASTA sin procesar. Esto indica que, si bien otros modelos pueden conocer proteínas famosas como GFP por haber leído artículos, no han internalizado la estructura estadística de las familias de proteínas a gran escala.
Pruebas adicionales confirmaron que esta capacidad proviene de los datos de entrenamiento y no del razonamiento o la búsqueda web. Los modelos funcionaron igual de bien en familias de proteínas sin artículos publicados, descartando la posibilidad de que estuvieran aprendiendo de descripciones textuales. Además, la precisión mejoraba con familias de proteínas más grandes, reflejando el comportamiento de los modelos de lenguaje proteico especializados. El conocimiento también se extendía a 56 proteínas hechas públicas en agosto de 2026, después de la fecha límite de entrenamiento reportada, lo que sugiere que los modelos pueden generalizar a nuevas secuencias basándose en estructuras familiares aprendidas.
Cómo funciona
El mecanismo central probado es la predicción del siguiente token aplicada a secuencias biológicas. Los modelos de lenguaje proteico suelen leer una secuencia de aminoácidos de izquierda a derecha y predecir el residuo siguiente más probable basándose en patrones aprendidos de millones de otras secuencias. Los investigadores aplicaron esta misma lógica a los grandes modelos de lenguaje de propósito general. Al proporcionar el inicio de una secuencia de proteína y solicitar la continuación, probaron si el modelo había aprendido la distribución de probabilidad conjunta de los aminoácidos dentro de familias específicas.
Para garantizar que los modelos no estuvieran simplemente adivinando basándose en la composición de aminoácidos, los investigadores utilizaron un método de control que involucraba secuencias barajadas. Barajar mantiene las mismas letras pero destruye el orden biológico. Un modelo que realmente haya aprendido la estructura de las proteínas funcionará bien con secuencias reales, pero mal con las barajadas. La brecha entre estas dos puntuaciones mide la comprensión del modelo sobre el orden de la secuencia. Claude Fable 5.2 y Opus 5.5 mostraron grandes brechas positivas, mientras que otros modelos no, lo que indica que los datos de entrenamiento de Claude incluían suficientes secuencias de proteínas para aprender estas dependencias complejas.
Detalles clave
- Claude Fable 5.2 logra una precisión del 54% en la predicción del siguiente aminoácido para proteínas oscuras, superando a modelos de lenguaje proteico abiertos como ProGen3-3B.
- Claude Opus 5.5 rinde a un nivel comparable a ProtGPT3-10B, uno de los modelos de lenguaje proteico abiertos más grandes disponibles.
- Otros modelos de vanguardia, incluidos GPT-6.2 Sol, GPT-6 Astra y Gemini, muestran una precisión cercana a cero en las mismas tareas, lo que indica que no fueron entrenados con secuencias de proteínas a gran escala.
- Los modelos funcionan bien en familias de proteínas sin artículos publicados, lo que demuestra que el conocimiento proviene de datos de secuencias y no de la literatura científica.
- La precisión correlaciona con el tamaño de la familia, estabilizándose alrededor de 300 proteínas por familia, consistente con cómo aprenden los modelos de lenguaje proteico.
- La capacidad se extiende a proteínas publicadas después de la fecha límite de entrenamiento, demostrando generalización a nuevas secuencias dentro de familias conocidas.
Por qué importa
Para ingenieros de software e investigadores de IA, este hallazgo destaca una divergencia en las estrategias de entrenamiento entre los proveedores de modelos de vanguardia. Mientras algunas empresas se centran principalmente en texto y código, Anthropic parece haber integrado datos biológicos a gran escala en sus modelos de propósito general. Esto sugiere que futuros LLM podrían servir cada vez más como herramientas multimodales capaces de manejar dominios científicos especializados sin necesidad de complementos externos o ajustes finos. Plantea preguntas sobre la transparencia de los datos y el potencial de capacidades inesperadas en modelos de propósito general.
Desde un punto de vista práctico, esto significa que los desarrolladores que construyen herramientas de bioinformática podrían aprovechar los modelos Claude de propósito general para tareas previamente reservadas para modelos de lenguaje proteico especializados. Si Claude puede predecir secuencias y potencialmente clasificar variantes o inferir estructuras, podría simplificar flujos de trabajo que actualmente requieren múltiples modelos especializados. Sin embargo, también implica que los usuarios deben ser conscientes del potencial de estos modelos para contener datos biológicos sensibles o propietarios si dichos datos estaban presentes en los conjuntos de entrenamiento.
Qué puedes hacer
- Prueba los modelos Claude con tus propias secuencias de proteínas poco conocidas para ver si proporcionan predicciones útiles para la clasificación de variantes o la inferencia estructural.
- Compara la salida de Claude Fable 5.2 con herramientas especializadas como ESMFold o AlphaFold para análisis preliminares rápidos.
- Ten precaución al usar LLM de propósito general con datos biológicos sensibles, ya que pueden haber memorizado secuencias de su conjunto de entrenamiento.
- Supervisa las actualizaciones de Anthropic sobre fuentes de datos y metodologías de entrenamiento para comprender mejor el alcance de su conocimiento biológico.
- Considera usar Claude para la generación inicial de hipótesis en tareas de ingeniería de proteínas, aprovechando su capacidad para generalizar entre familias de proteínas.
- Revisa tus políticas de privacidad de datos si estás cargando secuencias de proteínas propietarias en cualquier servicio LLM basado en la nube.



