Claude能独立设计出功能性蛋白质了

如果说药物的设计全部交给AI来进行会咋样？

近日（8月18日）Anthropic表示，其通用大语言模型Claude（Mythos Preview和Opus 4.8版本）在无需人类干预的情况下，自主完成了从靶点选择、策略制定到蛋白质序列设计的全流程，成功为15个蛋白质靶标中的14个设计出有效结合剂。这一成果首次证明，该公司的通用型AI模型能够像经验丰富的研究团队一样独立协调复杂的科学发现工作。

完全由Claude自主设计

2020年，DeepMind的AlphaFold解决了“已知氨基酸序列如何折叠成三维结构”的预测难题。但AlphaFold的本质是解析已知的，而Anthropic这次则是完全用于创造未知。

目标是针对指定的疾病相关靶蛋白，从零设计一个能够与之紧密结合的全新蛋白质分子。

Anthropic的研究团队并未给Claude预设具体的设计方案，仅撰写了一份约1.6万词的长提示词，将蛋白质工程师的核心工作知识和常用工具（如RFdiffusion、ProteinMPNN、AlphaFold-Multimer等）的使用方法编码其中。

随后，Claude被赋予了一个配备计算工具的“虚拟实验室”，并被指令自主完成所有设计决策，人类只负责批准网络访问、监控基础设施和将最终排序的设计送交湿实验检测。

在整个流程中，全部由Claude自己决定攻击哪个表位、采用哪种设计策略、如何筛选候选分子、如何迭代优化，以及最终如何对设计进行排序。没有一个设计选择是由人类操作员做出的。

当然这样做的代价也是巨大的，Anthropic使用了两种模型Claude Opus 4.8以及Claude Mythos的预览版本。在一种模式下，Anthropic在48小时内为模型提供了高达12500小时的Nvidia H100算力；而在另一种模式下，每个靶标消耗的H100算力约为2500小时。公司认为，一次只针对一个靶标进行设计才是最有效的策略。

外部湿实验室的检测

在完成设计后，Anthropic把实验结果交给两家独立实验室（Adaptyv Bio和Twist Bioscience）进行湿实验验证。

结果表明，Claude成功设计了针对15种靶标的蛋白质结合剂，其中14种靶标上的结合效果良好。Claude提交的1320个设计方案中，有354个经实验验证有效，根据不同的实验条件，这些结合剂的总成功结合效率在22%到35%之间。Anthropic表示，目前该领域的典型结合效率为10%到15%，Claude的成绩是行业平均的两到三倍。此外，其中一些性能最佳的结合剂，其结合强度甚至比此前公布的最佳结果还要高得多，特别是针对RBX1靶标和针对TNFα靶标。

在此前Adaptyv Bio举办的一项全球竞赛中，人类专家提交的245个针对RBX1靶标设计仅成功9个，成功率仅为3.7%。而Claude Mythos预览版针对同一靶标提交90个设计，成功28个，成功率高达40%。更关键的是，Claude设计的最佳结合剂，其结合强度（Kd≈3.6 nM）是当年竞赛冠军的十倍。

TNFα靶标方面，之前多个顶尖学术团队尝试从头设计TNFα结合剂均告失败，倒是Claude Opus 4.8直接产出了12个有效设计，且部分设计能够同时结合人类、猴子和老鼠的TNFα。不过，Mythos预览版在这些平台上却无法正常运行。Anthropic表示，他们不清楚为何性能较弱的模型能够正常工作，而性能更强的模型却不行。

该技术并非在所有情况下都能发挥作用。Anthropic表示，对于作为难以攻击目标的麦芽糖结合蛋白（MBP），90种设计方案中没有一种能够实现结合反应。而在作为难度较高的测试目标的合成蛋白BBF-14上，该技术的表现也相当不佳。Anthropic表示，这些失败案例恰恰揭示了通用AI在特定蛋白质家族上的先验知识不足，容易陷入局部最优。公司计划进一步测试以确定其结合效率，并已公开了所有提示词和相关数据，供学术界验证和改进。

自动化化学分析

除了蛋白质设计，Anthropic还公布了第二个实验自动化化学分析。

科研人员通常使用核磁共振（NMR）和液相色谱-质谱联用（LC-MS）这两种技术来确定化合物成分和纯度。不过，最耗时的环节是解读这两种仪器生成的原始数据。

Anthropic仅向Claude Opus 5提供了来自合作实验室的原始数据以及两句指令，也没有提供任何专用软件，也没有指定操作人员。该模型在Claude Science平台上运行时，分别用23分钟和19分钟完成了两项分析处理。

结果与实验室的官方报告高度一致：Claude测得的纯度为96.4%，而实验室数值为96.33%；氢含量测定也处于允许的误差范围内。

Claude在首次分析时高估了发生位移的峰值数量，随后自己发现了这个错误并主动纠正。

有两点值得注意。Anthropic表示，Claude在首次分析时高估了发生位移的峰值数量，随后它自己发现了这个错误并进行了纠正。此外，它还提出了与实验室三天前独立进行的测试相同的验证方法。对于那些采用非标准格式的LC-MS数据文件，该模型会先确定其编码方式，再将分析结果与仪器记录的数据进行比对，之后才会进行进一步分析。

Anthropic的对比对象是时间。如果由化学家手动完成这项工作，每个样本的处理时间大约在30分钟到1小时之间，而实验室在首次检测后的四天才出具报告。Claude则能在25分钟内生成报告。

总结

许多生物医药分析人士指出，这项研究的真正有趣之处与蛋白质本身无关，而是Claude作为通用AI首次证明了它能像人类团队那样去思考、决策和执行。

确实很有意义，但是也很容易被过度夸大，Claude设计出的结合剂距离药物仍有漫长距离，后续的细胞实验、动物实验、药代动力学优化和临床验证仍需人类主导