Anthropic säger att deras Claude-modeller nu kan designa proteinbindare från grunden såväl som - eller bättre än - ledande mänskliga experter, ett resultat som företaget validerade i våta labb och publicerade i ett forskningsinlägg på måndagen som markerar en av de tydligaste demonstrationerna hittills av AI som accelererar verklig vetenskaplig upptäckt.
Fynden kommer från två experiment. I den första testade Anthropic Claudes förmåga att designa proteinbindare - små proteiner konstruerade för att fästa tätt på målproteiner - en uppgift som historiskt sett tar en mänsklig specialist veckor eller månader per mål och som sitter i hjärtat av modern läkemedelsdesign. For more context on this story, see our ongoing artificial intelligence updates.
Slår riktmärkena
I samarbete med externa utvärderare Adaptyv Bio och Twist Bioscience, som oberoende producerade och testade Claudes design i labbet, drev Anthropic en designkampanj med flera armar mot 15 proteinmål. Claude lyckades mot 14 av dem och producerade 354 bekräftade pärmar från 1 320 mönster. Bara det representerar ett betydande tillägg till den offentliga samlingen av de novo-proteindesigner: de två största befintliga samlingarna, noterade Anthropic, innehåller tillsammans ungefär 770 bindemedel av 5 700 mönster mot 40 mål.
Träffsiffrorna är det som fångade biologernas uppmärksamhet. Anthropics Mythos Preview-modell uppnådde en total träfffrekvens på 26,7 % när man designade mot alla mål samtidigt i en 48-timmars session, med Claude Opus 4.8 nära efter på 22,6 %. Typiska träffar i proteindesignkampanjer ligger idag på 10 till 15 %, noterade företaget. När Mythos Preview fokuserade på ett mål i taget i flera 24-timmarssessioner, steg dess träfffrekvens till 35,1 %. Kampanjen hämtade sina mål från benchmarks som studeras omfattande – inklusive hela Adaptyv Bios BenchBB-svit – plus två nya mål, 15-PGDH och GDF-8, som valts specifikt för att säkerställa att Claude inte kunde luta sig mot förinspelade framgångar från sina träningsdata. För vart och ett av de 15 målen bad forskarna Claude att designa 30 proteinbindare.
På individuella tävlingsmål var marginalerna ännu större. Mot RBX1, ett protein involverat i målinriktad proteinnedbrytning, uppnådde Mythos Preview i single-target-läge en träfffrekvens på 40 % – jämfört med 3,7 % bland mänskliga deltagare i samma tävling – och dess topprankade design överträffade den vinnande mänskliga designen på bindningsaffinitet.
Det var lärorika misslyckanden. Ett de novo-designat beta-fat-protein som heter BBF-14 och maltosbindande protein (MBP) förblev båda utom räckhåll, mål vars nyhet och släta, flexibla ytor lämnar ett bindemedel lite att ta tag i. Och som en överraskning var det Opus 4.8 – inte den mer kraftfulla Mythos Preview – som lyckades på TNFα, ett notoriskt svårt mål vars blockad ligger till grund för några av de mest sålda drogerna som någonsin gjorts, inklusive Humira.
En autonom forskare
Mest slående är kanske hur lite mänskligt engagemang kampanjen krävde. Efter en första uppmaning säger Anthropic att det inte gav någon ytterligare vetenskaplig, teknisk eller operativ vägledning. Claude valde var på varje protein att designa mot, genererade kandidatstrukturer och sekvenser genom att orkestrera allmänt tillgängliga specialistproteindesign och samvikningsmodeller, och körde kampanjen från början till slut - arbete som kan ta en mänsklig operatör veckor.
Ansträngningen förbrukade upp till 12 500 NVIDIA H100 timmars beräkning för multi-target-körningen och upp till 2 500 H100 timmar per mål i single-target-läge. Claude producerade till och med 15 bekräftade pärmar som innehöll betydande beta-arkstruktur, ett veck som är svårare att designa än de alfa-helix-paket som de flesta beräkningsverktyg har som standard.
Från att designa molekyler till att läsa rådata
Det andra experimentet testade en annan, mer vardaglig flaskhals: analytisk kemi. Varje gång en kemist tillverkar en molekyl måste de bekräfta vad den är och hur ren den är, med hjälp av kärnmagnetisk resonans (NMR) spektroskopi och vätskekromatografi-masspektrometri (LC-MS). Att tolka dessa filer är mödosamt manuellt arbete.
Levereras med endast ett kontraktslabbs råinstrumentfiler och en kort uppmaning i klarspråk - ingen leverantörsprogramvara, ingen operatör - Claude Opus 5 returnerade fullt bearbetade NMR- och LC-MS-resultat på 23 respektive 19 minuter, arbetande parallellt. Dess resultat matchade labbets egen analys. Längs vägen gjorde modellen omvänd konstruktion av ett odokumenterat leverantörsfilformat, verifierade dess läsning mot instrumentets registrerade totalsummor för alla 2 664 skanningar, och föreslog det exakta uppföljningsexperimentet - en tungvattenkontroll - som kontraktslaboratoriet hade kört självständigt tre dagar senare.
Anthropic säger att körningen också visade genuint vetenskapligt omdöme, inte bara automatisering, och noterar att en kemist vanligtvis behöver en halvtimme till en timme per prov för denna typ av analys.
Säkerheten först
Företaget var tydligt om implikationerna för dubbel användning. Samma autonoma forskningskapacitet som skulle kunna påskynda mänskliga terapier skulle, utan robusta skyddsåtgärder, möjliggöra farlig forskning som utveckling av biovapen, varnade Anthropic. Livsvetenskapliga forskningsuppgifter är för närvarande blockerade i sin mest kapabla modell, och företaget säger att det förbereder ett betrodd åtkomstprogram för forskare - en av dess högsta prioriteringar. Under tiden förblir Claude Opus 5 dess mest kapabla allmänt tillgängliga modell.
Anthropic har delat med sig av uppmaningarna som används för kampanjerna tillsammans med all in vitro- och in silico-data som genererats - en öppenhetsåtgärd som låter externa labb verifiera påståendena. För ett fält som fortfarande sorterar hype från resultat, erbjuder inlägget något sällsynt: laboratorievaliderade bevis på att en AI-modell för allmänt ändamål kan utföra, på timmar, arbete som en gång definierade en specialists karriär.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
