Le regole del digitale stanno cambiando.
O sei visibile o sei fuori. Noi ti aiutiamo a raggiungere i clienti giusti — quando ti stanno cercando.
Contattaci ora
Il modello supera i 10.000 token su una GPU e centra 14 target su 15.
Claude ha progettato proteine leganti con un tasso di successo medio del 26,8 per cento su 1.320 progetti validati in laboratorio, superando il 10-15 per cento tipico del settore. Il dato, se confermato su scala industriale, accorcia i tempi del design proteico da mesi a settimane. Resta il dubbio che la validazione wet lab su larga scala sia la prova decisiva.
Un ribosoma 40S da 7.663 token predetto con precisione da AlphaFold3 era già considerato un risultato notevole. Ora Claude sposta il limite più in là: gestisce sistemi biomolecolari oltre i 10.000 token su un singolo nodo GPU NVIDIA, e ha accelerato più di 30 modelli open-source di circa 4 volte in meno di quattro settimane. A darne conto è una ricerca pubblicata da Anthropic il 17 settembre. La premessa è tecnica, ma la posta in gioco non lo è: se questi numeri reggono alla prova dei laboratori, il design delle proteine smette di essere un processo da mesi e diventa una questione di settimane.
Il salto oltre i 10.000 token
Partiamo dalla modalità a basso consumo di memoria. In pratica, consente di predire con accuratezza sistemi biomolecolari che superano i 10.000 token — amminoacidi, nucleotidi, atomi di piccole molecole e ioni — su un singolo nodo GPU NVIDIA. Per avere un termine di paragone: il ribosoma 40S di AlphaFold3, il riferimento precedente, era composto da 7.663 token. Qui si va oltre, e su una sola scheda grafica.
Poi c’è FlashPairformer, sviluppato con Claude. È il motore che esegue due operazioni matematiche fondamentali per capire come le parti di una molecola si relazionano tra loro: l’attenzione triangolare e la moltiplicazione triangolare. Su questi calcoli supera lo standard di settore in media di 2,7-2,9 volte sull’attenzione e di 1,7-3,2 volte sulla moltiplicazione, a seconda della configurazione del modello. Numeri solidi. Ma accelerare modelli open-source è, in fondo, ingegneria: ottimizzazione di codice, memoria, tempi di calcolo. La domanda vera è un’altra: questi numeri si traducono in design proteici che funzionano davvero quando li metti in laboratorio?
Il 26,8% che cambia le regole
La risposta arriva dai wet lab. Claude — nelle versioni Mythos Preview e Opus 4.8 — ha progettato binder proteici contro 15 target e ne ha centrato 14. I binder sono proteine costruite per agganciarsi a un bersaglio specifico: se non legano, il design fallisce. Qui il tasso di successo a livello di campagna è quasi totale. Più in dettaglio, tra il 22% e il 35% dei singoli design di Claude si sono legati con successo, a seconda della configurazione. Il confronto? Tra il 10 e il 15 per cento, che è il tasso tipico nelle campagne di protein design attuali. Lo racconta un approfondimento di Anthropic sul design dei binder.
Poi ci sono i numeri indipendenti, e sono quelli che contano di più. Secondo i dati pubblicati da Adaptyv Bio, su 1.320 progetti di proteine, 354 hanno legato il loro bersaglio: un tasso di successo medio del 26,8% per Claude. Non è il risultato di un singolo esperimento fortunato: è la media su più di mille tentativi. Un design su quattro che lega il bersaglio è più del doppio di quanto il settore considerava normale fino a poco fa. La domanda che si apre, a questo punto, non è se funziona. È cosa succede quando migliaia di agenti lavorano in parallelo con questi tassi di successo.
Un milione di dollari e 37.000 agenti
La risposta potrebbe arrivare prima del previsto. Anthropic e Adaptyv Bio co-sponsorizzano una competizione di design proteico con fino a 1 milione di dollari in crediti Claude, 250.000 dollari in crediti di calcolo Modal — grazie anche ai contributi di Modal e Twist Bioscience — e la validazione wet lab per oltre 5.000 design. Cinque problemi scelti ai confini delle capacità attuali. Non è una gara di facciata: è un test su scala quasi industriale.
Nel frattempo, la direzione è già tracciata. La cosiddetta Virtual Biotech comprende fino a 37.000 agenti: sistemi di intelligenza artificiale che interagiscono in autonomia con i modelli linguistici o tra loro, capaci di compiti a più passaggi. Con una supervisione umana limitata, ha identificato un trattamento promettente contro il cancro al polmone. A raccontarlo è un articolo di Nature sulla biotech virtuale.
Il cerchio, va detto, si chiude solo quando il wet lab conferma. Ma se un agente progetta, un altro valida e un terzo corregge, il collo di bottiglia non è più il calcolo: è il tempo fisico degli esperimenti. Per chi fa impresa online, il segnale è che l’automazione multi-agente sta comprimendo i tempi di ricerca e sviluppo in settori ad alta barriera. La prossima frontiera non è generare testo o immagini, ma progettare molecole dentro un ciclo di feedback che premia la velocità. Non è un annuncio di prodotto: è un cambio di ritmo.
