Un estudio reciente revela que los modelos de lenguaje más recientes de Anthropic, Claude Fable 5.2 y Opus 5.5, fueron entrenados con secuencias de proteínas a gran escala. A diferencia de otros modelos de frontera como GPT-6 o Gemini, estos sistemas de Claude demuestran una capacidad superior para predecir la siguiente aminoácido en proteínas bacterianas poco estudiadas, incluso cuando el orden de la secuencia se altera aleatoriamente. Esta prueba, diseñada para descartar el aprendizaje basado en la lectura de artículos científicos o bases de datos de texto como UniProt, utiliza un conjunto de datos de 668 proteínas de 167 familias de Pfam de función desconocida. En esta evaluación, Claude Fable 5.2 acierta el 54% de las predicciones en proteínas reales frente al 9% en versiones desordenadas, una brecha significativa que confirma su conocimiento de la estructura de la secuencia. Los modelos de lenguaje de proteínas, como ProtGPT3-10B, se posicionan como el estándar de referencia, pero Claude supera a los mejores modelos abiertos disponibles. Además, la capacidad de Claude para identificar familias proteicas no estudiadas sugiere que el entrenamiento con secuencias de proteínas fue una parte sustancial del proceso de aprendizaje, no solo el consumo de información textual. El estudio, liderado por Xinming Tu, detalla que esta competencia no se debe a la memorización de proteínas famosas, sino a un procesamiento estructural profundo de los datos genómicos.
