SandboxAQ lleva modelos de descubrimiento de fármacos a Claude: IA accesible sin ser especialista

Un cambio en la interfaz del descubrimiento científico

El descubrimiento de fármacos es una actividad costosa y larga: encontrar una molécula viable puede tardar años y movilizar inversiones millonarias antes de llegar al laboratorio. Muchas startups de inteligencia artificial han prometido acelerar ese proceso mediante modelos más precisos, pero SandboxAQ plantea que el verdadero cuello de botella no es solo la calidad del modelo sino quién puede usarlo y cómo.

La compañía, surgida como un spinout de Alphabet hace alrededor de cinco años y con Eric Schmidt —ex CEO de Google— como presidente, anunció una integración de sus modelos científicos con Claude, el asistente conversacional de Anthropic. El objetivo es simple en apariencia pero potente en práctica: poner capacidades avanzadas de química computacional y simulación molecular detrás de una interfaz de lenguaje natural, sin requerir infraestructura o pericia informática especializada.

¿Qué son los LQMs y por qué importan?

SandboxAQ ha desarrollado lo que llama LQMs (large quantitative models). A diferencia de los modelos de lenguaje que aprenden principalmente patrones en texto, estos modelos están “anclados en la física”: incorporan ecuaciones y datos de laboratorio reales para realizar cálculos de química cuántica, simular dinámicas moleculares y modelar microcinética —es decir, cómo se desarrollan las reacciones químicas a nivel molecular.

Esa capacidad permite predecir comportamientos de moléculas candidatas antes de gastar recursos en síntesis y ensayos físicos. Según la propia empresa, estos modelos están destinados a la “economía cuantitativa”, un sector que abarca biopharma, servicios financieros, energía y materiales avanzados y que la firma valora en más de 50 billones de dólares.

De modelos potentes a herramientas utilizables

Hasta ahora, quien quería acceder a los LQMs de SandboxAQ necesitaba montar su propia infraestructura digital —ser competente en computación científica o tener equipos dedicados que integraran las APIs y sistemas necesarios. Con la integración en Claude, esa barrera técnica se reduce: investigadores y especialistas pueden interactuar con los modelos mediante consultas en lenguaje natural y obtener resultados o guías interpretables.

Nadia Harhen, gerente general de AI Simulation en SandboxAQ, ha señalado que por primera vez se puede acceder a un modelo cuantitativo de frontera sobre un LLM de frontera mediante lenguaje natural. En la práctica, eso significa que la empresa prioriza la experiencia del usuario tanto como la precisión científica.

¿Qué diferencia a SandboxAQ de otras apuestas en IA aplicada a la ciencia?

Hay varias startups bien financiadas —como Chai Discovery e Isomorphic Labs— que han apostado fuertemente por mejorar la ciencia a través de mejores modelos. La diferencia de SandboxAQ está en la orientación: además de desarrollar modelos avanzados, la empresa está diseñando la ruta para que esos modelos sean usados por equipos que no necesariamente cuentan con expertos en infraestructura computacional.

Los clientes actuales de SandboxAQ suelen ser científicos computacionales, investigadores y experimentalistas que trabajan en grandes compañías farmacéuticas o industriales y buscan materiales o compuestos con potencial comercial. Su demanda no es solamente precisión teórica, sino herramientas que produzcan resultados reproducibles cuando se llevan a la práctica en el laboratorio.

Implicaciones para América Latina

La propuesta de poner modelos cuantitativos accesibles en interfaces conversacionales tiene interés claro para la región. Laboratorios universitarios, centros de investigación y compañías farmacéuticas emergentes en América Latina a menudo enfrentan límites en capital humano y en infraestructura de cómputo avanzado. Una interfaz que reduzca la necesidad de especialistas en computación podría acelerar proyectos de I+D y permitir pruebas de concepto más rápidas.

Sin embargo, ese potencial viene acompañado de retos prácticos: la adopción dependerá de acceso a la plataforma (cuentas, costos y acuerdos comerciales), la compatibilidad con regulaciones locales sobre datos y propiedad intelectual, y la necesidad de capacitar a equipos para interpretar resultados y trasladarlos a experimentos reales. Además, aunque la interfaz sea más amigable, la toma de decisiones científicas sigue requiriendo validación experimental rigurosa.

Más allá de la industria farmacéutica

Los LQMs no son exclusivos del descubrimiento de drogas. La posibilidad de simular materiales, optimizar procesos químicos o modelar reacciones con fundamentos físicos tiene aplicaciones en sectores como energía, manufactura avanzada y desarrollo de materiales. Para empresas latinoamericanas que buscan diferenciarse por innovación tecnológica, contar con acceso simplificado a estas capacidades puede reducir tiempo de desarrollo y costos asociados a prototipos.

Límites y expectativas realistas

Es importante mantener expectativas responsables: modelos que predicen comportamientos moleculares no reemplazan al laboratorio ni garantizan el éxito comercial. Son herramientas que pueden filtrar candidatos, sugerir direcciones prometedoras y economizar recursos en etapas tempranas. La integración en Claude mejora la accesibilidad, pero la calidad de los resultados depende de la solidez del modelo, los datos de entrenamiento y el juicio científico para interpretar salidas y diseñar experimentos.

Qué observar en los próximos meses

Las señales a seguir incluyen la rapidez con la que los usuarios no especializados comienzan a integrar estos flujos en su trabajo diario, la aparición de colaboraciones entre SandboxAQ/Anthropic y organizaciones académicas o industriales en la región, y cómo las empresas gestionan la trazabilidad, la seguridad y la regulación de los modelos y datos científicos.

En definitiva, poner modelos cuantitativos complejos detrás de una interfaz conversacional es un paso relevante hacia la democratización de herramientas de diseño molecular y de materiales. Para América Latina, podría abrir nuevas oportunidades de investigación aplicada si se acompaña de políticas de acceso, formación y alianzas que permitan transformar predicciones computacionales en resultados experimentales y productos reales.