Anthropic twierdzi, że jej modele Claude mogą teraz projektować od podstaw białka wiążące równie dobrze – lub lepiej – czołowi eksperci w dziedzinie medycyny, co firma potwierdziła w mokrych laboratoriach i opublikowała w poniedziałkowym poście badawczym, który stanowi jeden z najwyraźniejszych jak dotąd demonstracji sztucznej inteligencji przyspieszającej rzeczywiste odkrycia naukowe.

Wyniki pochodzą z dwóch eksperymentów. W pierwszym projekcie Anthropic przetestowano zdolność Claude'a do zaprojektowania białek wiążących — małych białek zaprojektowanych tak, aby ściśle przylegały do ​​białek docelowych — co w przeszłości zajmowało specjalistom tygodnie lub miesiące w przypadku każdego celu i stanowiło sedno współczesnego projektowania leków. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.

Pobijanie benchmarków

Współpracując z zewnętrznymi ewaluatorami, Adaptyv Bio i Twist Bioscience, które niezależnie wyprodukowały i przetestowały projekty Claude'a w laboratorium, Anthropic przeprowadziło wieloramienną kampanię projektową przeciwko 15 docelowym białkom. Claudeowi udało się pokonać 14 z nich, produkując 354 potwierdzone segregatory z 1320 projektów. Samo to stanowi znaczący dodatek do publicznego zbioru projektów białek de novo: dwie największe istniejące kolekcje, jak zauważył Anthropic, zawierają łącznie około 770 spoiw z 5700 projektów przeciwko 40 celom.

Uwagę biologów przykuły wskaźniki trafień. Model Mythos Preview firmy Anthropic osiągnął ogólny współczynnik trafień wynoszący 26,7% podczas projektowania względem wszystkich celów jednocześnie w ciągu 48-godzinnej sesji, a model Claude Opus 4.8 był tuż za nim z wynikiem 22,6%. Jak zauważyła firma, typowy wskaźnik trafień w kampaniach dotyczących projektowania białek wynosi obecnie od 10 do 15%. Kiedy Mythos Preview skupiał się na jednym celu na raz w wielu 24-godzinnych sesjach, współczynnik trafień wzrósł do 35,1%. W kampanii swoje cele oparto na dokładnie zbadanych wzorcach — w tym na całym pakiecie BenchBB firmy Adaptyv Bio — oraz na dwóch nowych celach, 15-PGDH i GDF-8, wybranych specjalnie po to, aby Claude nie mógł opierać się na wcześniej zarejestrowanych sukcesach na podstawie danych treningowych. Dla każdego z 15 celów badacze poprosili Claude'a o zaprojektowanie 30 białek wiążących.

W przypadku indywidualnych celów w zakresie konkurencji marże były jeszcze większe. W porównaniu z RBX1, białkiem biorącym udział w ukierunkowanej degradacji białek, Mythos Preview w trybie pojedynczego celu osiągnął współczynnik trafień na poziomie 40% — w porównaniu z 3,7% wśród uczestników tego samego konkursu – a jego najwyżej oceniany projekt przewyższał zwycięski projekt ludzki pod względem powinowactwa wiązania.

Były pouczające porażki. Zaprojektowane de novo białko beta-beczka o nazwie BBF-14 i białko wiążące maltozę (MBP) pozostawały poza zasięgiem, stanowiąc cele, których nowatorska i gładka, elastyczna powierzchnia pozostawia niewiele miejsca do uchwycenia spoiwa. I ku zaskoczeniu, to Opus 4.8 — a nie potężniejszy Mythos Preview — odniósł sukces w przypadku TNFα, notorycznie trudnego celu, którego blokada leży u podstaw niektórych z najlepiej sprzedających się leków, jakie kiedykolwiek wyprodukowano, w tym Humiry.

Autonomiczny badacz

Być może najbardziej uderzające jest to, jak niewielkiego zaangażowania ludzi wymagała ta kampania. Po wstępnej podpowiedzi Anthropic twierdzi, że nie dostarczyło żadnych dodatkowych wskazówek naukowych, technicznych ani operacyjnych. Claude wybrał miejsce na każdym białku, na którym ma opierać się projekt, wygenerował potencjalne struktury i sekwencje, koordynując publicznie dostępne specjalistyczne modele białek i modele współskładania, a następnie przeprowadził kampanię od początku do końca — praca, która może zająć operatorowi tygodnie.

Wysiłek ten pochłonął do 12 500 godzin obliczeń NVIDIA H100 w przypadku działania na wielu celach i do 2500 godzin H100 na każdy cel w trybie jednego celu. Claude wyprodukował nawet 15 potwierdzonych segregatorów zawierających znaczną strukturę arkusza beta, co jest zagięciem trudniejszym do zaprojektowania niż wiązki alfa-helisy, do których domyślna jest większość narzędzi obliczeniowych.

Od projektowania cząsteczek po odczytywanie surowych danych

W drugim eksperymencie zbadano inne, bardziej przyziemne wąskie gardło: chemię analityczną. Za każdym razem, gdy chemik wytwarza cząsteczkę, musi potwierdzić, czym ona jest i jak czysta, korzystając ze spektroskopii magnetycznego rezonansu jądrowego (NMR) i chromatografii cieczowej ze spektrometrią mas (LC-MS). Interpretacja tych plików to żmudna praca ręczna.

Dostarczany wyłącznie z surowymi plikami instrumentów z laboratorium kontraktowego i krótkim komunikatem w prostym języku — bez oprogramowania dostawcy i bez operatora — Claude Opus 5 zwrócił w pełni przetworzone wyniki NMR i LC-MS odpowiednio w 23 i 19 minut, pracując równolegle. Wyniki są zgodne z analizą przeprowadzoną przez laboratorium. Po drodze model dokonał inżynierii wstecznej formatu pliku nieudokumentowanego dostawcy, zweryfikował jego odczyt z sumami zarejestrowanymi przez przyrząd dla wszystkich 2664 skanów i zaproponował dokładny eksperyment uzupełniający – kontrolę ciężkiej wody – który laboratorium kontraktowe niezależnie przeprowadziło trzy dni później.

Anthropic twierdzi, że badanie wykazało także autentyczną ocenę naukową, a nie tylko automatyzację, i zauważa, że ​​chemik potrzebuje zazwyczaj od pół godziny do godziny na każdą próbkę do tego rodzaju analizy.

Bezpieczeństwo przede wszystkim

Firma wyraźnie wspomniała o konsekwencjach podwójnego zastosowania. Te same autonomiczne możliwości badawcze, które mogłyby przyspieszyć terapie ludzi, mogłyby – bez solidnych zabezpieczeń – umożliwić niebezpieczne badania, takie jak rozwój broni biologicznej, ostrzegł Anthropic. Zadania badawcze z zakresu nauk przyrodniczych są obecnie zablokowane w najbardziej wydajnym modelu, a firma twierdzi, że przygotowuje program zaufanego dostępu dla naukowców – co jest jednym ze jej najwyższych priorytetów. Tymczasem Claude Opus 5 pozostaje najwydajniejszym, ogólnie dostępnym modelem.

Firma Anthropic udostępniła podpowiedzi wykorzystane w kampaniach wraz ze wszystkimi wygenerowanymi danymi in vitro i in silico – co stanowi środek przejrzystości, który umożliwi zewnętrznym laboratoriom weryfikację twierdzeń. W przypadku dziedziny, która wciąż oddziela szum od wyników, post oferuje coś rzadkiego: potwierdzone w laboratorium dowody na to, że model sztucznej inteligencji ogólnego przeznaczenia może w ciągu kilku godzin wykonać pracę, która kiedyś definiowała karierę specjalisty.

---

Bądź na Bieżąco z AI

Najnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.

Czytaj więcej wiadomości AI →