Una firma de investigación de Wall Street se lanzó al descubrimiento de fármacos, y llevó un modelo de IA en lugar de una bata de laboratorio.

Citrini Research, trabajando con Anthropic, usó el modelo Claude Science para buscar posibles candidatos a antiveneno de escorpión. El experimento produjo en cuestión de días el equivalente a aproximadamente un año de trabajo de diseño en etapa temprana. Luego generó algo que a los analistas les importa aún más: una tesis de inversión.

De un prompt de 35 páginas a resultados de laboratorio

Los analistas de Citrini le dieron a Claude Science un prompt detallado de aproximadamente 35 páginas. El modelo devolvió alrededor de 180 moléculas candidatas orientadas a neutralizar toxinas de escorpión.

Según los hallazgos de la investigación, un trabajo de esa escala normalmente tomaría un año con métodos tradicionales. Citrini lo comprimió en un período corto.

Ahí fue donde entró Twist Bioscience, una compañía de biología sintética. El laboratorio sintetizó y probó 211 diseños, de los cuales 17 se unieron exitosamente a las toxinas objetivo.

Diecisiete aciertos quizás no suenen a un gran triunfo. En el descubrimiento de fármacos en etapa temprana, donde la mayoría de los candidatos fracasan, fue suficiente para superar las propias expectativas de Citrini.

El cuello de botella se traslada del software al laboratorio

El 20 de octubre de 2026, Citrini publicó un informe que detalla lo que aprendió. El argumento central trata menos de la IA en sí y más de lo que sucede después de que la IA termina su trabajo.

Si el diseño computacional se vuelve dramáticamente más rápido, la parte lenta del proceso se desplaza. La restricción ya no es generar candidatos; pasa a ser probarlos. Las moléculas ahora pueden proponerse a la velocidad del software, pero sintetizarlas y validarlas sigue ocurriendo al ritmo del banco de laboratorio.

El informe de Citrini lo enmarca como un cambio en la narrativa del desarrollo de fármacos. La atención se aleja de las herramientas de diseño computacional y se dirige hacia la validación experimental física y la infraestructura de laboratorio que la respalda. La tesis de la firma es que estas compañías probablemente verán una demanda creciente de servicios de validación experimental.

El informe destacó dos nombres como sus principales selecciones: Charles River Laboratories International Inc., una organización de investigación por contrato que realiza pruebas preclínicas y de etapa temprana para desarrolladores de fármacos, y Revvity Inc., una compañía de ciencias de la vida y diagnósticos que sirve a flujos de trabajo de investigación y laboratorio.

Parte de un impulso farmacéutico más amplio hacia la IA

Novo Nordisk, uno de los mayores fabricantes de fármacos del mundo, firmó una alianza con Anthropic en septiembre de 2026, un acuerdo que indicó que las grandes compañías farmacéuticas se están tomando en serio la investigación asistida por IA.

La prueba de Citrini agrega un tipo diferente de dato. Provino de fuera del establishment farmacéutico, de analistas cuyo trabajo diario es elegir acciones. Si una firma de investigación puede generar conglomerados validados con un prompt extenso y un modelo de IA, la barrera del diseño en etapa temprana parece más baja que antes.

Lo que esto significa para los inversionistas y la industria

La operación obvia en IA es comprar a las compañías que construyen los modelos. El informe de Citrini aboga por una menos obvia comprar los negocios que están aguas abajo de los modelos y absorben el trabajo adicional que estos generan.

Hay razones para mantener expectativas moderadas. El resultado de Citrini abarca un solo objetivo, las toxinas del antiveneno de escorpión, y la unión a una toxina es un hito temprano. Hay un largo camino desde un conglomerado en un laboratorio hasta un tratamiento en un hospital, y los candidatos que se unen aún enfrentan optimización, pruebas de seguridad y ensayos clínicos.

Los hallazgos también señalan que un mayor énfasis en la validación física añade complejidad a la cadena de suministro. Más moléculas significan más síntesis, más pruebas y más coordinación entre los equipos de diseño y los laboratorios. Cómo evolucione la demanda de capacidad de síntesis y pruebas podría servir como una prueba temprana de la tesis del informe.