Anthropic каже, що її моделі Claude тепер можуть розробляти білкові зв’язувачі з нуля так само добре — або навіть краще, ніж — провідні експерти-людини. Цей результат компанія перевірила у вологих лабораторіях і опублікувала в дослідницькій публікації в понеділок, що знаменує собою одну з найяскравіших демонстрацій ШІ, що прискорює справжні наукові відкриття.

Висновки отримані в результаті двох експериментів. У першому Anthropic перевірив здатність Клода розробляти білкові зв’язувачі — невеликі білки, створені для щільного приєднання до цільових білків — завдання, яке історично займало у фахівця-людини тижні або місяці на мішень і лежить в основі розробки сучасних ліків. For more context on this story, see our ongoing more AI stories.

Подолання тестів

Співпрацюючи із зовнішніми оцінювачами Adaptyv Bio та Twist Bioscience, які незалежно виготовили та перевірили дизайни Клода в лабораторії, Anthropic провела проектну кампанію з кількома групами проти 15 білкових цілей. Клод переміг 14 із них, виготовивши 354 підтверджені швидкозшивачі з 1320 зразків. Одне лише це є значним доповненням до загальнодоступного корпусу білкових дизайнів de novo: дві найбільші існуючі колекції, зазначає Anthropic, разом містять приблизно 770 сполучних речовин із 5700 дизайнів проти 40 цілей.

Увагу біологів привернув показник попадання. Модель Mythos Preview від Anthropic досягла загального показника влучності 26,7% під час проектування проти всіх цілей одночасно протягом 48-годинного сеансу, а Claude Opus 4.8 відстає від неї – 22,6%. Звичайні показники успіху в кампаніях з білкового дизайну сьогодні становлять від 10 до 15%, зазначили в компанії. Коли Mythos Preview зосереджувався на одній цілі одночасно протягом кількох 24-годинних сеансів, його показник попадання зріс до 35,1%. Цілі кампанії були визначені на основі тестів, які ретельно вивчаються, включаючи весь пакет BenchBB від Adaptyv Bio, а також дві нові цілі, 15-PGDH і GDF-8, вибрані спеціально для того, щоб Клод не міг покладатися на попередньо зареєстровані успіхи з даних тренувань. Для кожної з 15 мішеней дослідники попросили Клода розробити 30 білкових зв’язувачів.

За окремими цілями конкуренції маржа була ще вищою. Проти RBX1, протеїну, який бере участь у цілеспрямованій деградації білка, Mythos Preview у одноцільовому режимі досяг 40% показника попадання — у порівнянні з 3,7% серед учасників того ж змагання — і його найвищий рейтинг перевершив переможний людський дизайн за афінністю зв’язування.

Були й повчальні провали. Створений заново білок бета-ствола під назвою BBF-14 і білок, що зв’язує мальтозу (MBP), обидва залишалися поза досяжністю, мішені, чия новизна та гладка, гнучка поверхня не залишають сполучного матеріалу, за який можна схопитися. І, як несподівано, саме Opus 4.8 — а не більш потужний Mythos Preview — вдався до TNFα, сумнозвісно складної мішені, чия блокада лежить в основі деяких з найбільш продаваних препаратів, які коли-небудь виготовлялися, включаючи Humira.

Автономний дослідник

Мабуть, найбільше вражає те, як мало людської участі вимагала кампанія. Після початкового запиту Anthropic каже, що не надав додаткових наукових, технічних чи операційних вказівок. Клод вибирав, де на кожному білку слід проектувати, генерував структури-кандидати та послідовності, організовуючи загальнодоступні спеціалізовані моделі білка та спільного згортання, і провів кампанію від кінця до кінця — робота, яка може зайняти тижні людини-оператора.

Зусилля витратили до 12 500 годин обчислень NVIDIA H100 для багатоцільового запуску та до 2500 годин H100 на ціль у режимі однієї цілі. Клод навіть створив 15 підтверджених зв’язків, які містять значну структуру бета-листів, складку, яку важче спроектувати, ніж пучки альфа-спіралі, які за замовчуванням використовують більшість обчислювальних інструментів.

Від проектування молекул до читання необроблених даних

Другий експеримент перевіряв інше, більш приземлене вузьке місце: аналітичну хімію. Кожного разу, коли хімік створює молекулу, він повинен підтвердити, що це таке та наскільки вона чиста, використовуючи спектроскопію ядерного магнітного резонансу (ЯМР) і рідинну хромато-мас-спектрометрію (РХ-МС). Інтерпретація цих файлів — копітка ручна робота.

Поставляючись лише з необробленими файлами приладів контрактної лабораторії та короткою підказкою простою мовою — без програмного забезпечення постачальника, без оператора — Claude Opus 5 повернув повністю оброблені результати ЯМР та РХ-МС за 23 та 19 хвилин відповідно, працюючи паралельно. Його результати збігаються з власним аналізом лабораторії. Попутно модель перепроектувала незадокументований формат файлу постачальника, перевірила його зчитування із записаними приладом загальними показниками для всіх 2664 сканувань і запропонувала точний подальший експеримент — перевірку важкої води, — який контрактна лабораторія самостійно провела через три дні.

Anthropic каже, що пробіг також продемонстрував справжнє наукове судження, а не просто автоматизацію, і зазначає, що хіміку зазвичай потрібно від півгодини до години на зразок для такого аналізу.

Безпека перш за все

Компанія чітко заявила про наслідки подвійного використання. Ті самі автономні дослідницькі можливості, які могли б пришвидшити лікування людей, могли б без надійних гарантій уможливити небезпечні дослідження, такі як розробка біологічної зброї, попереджає Anthropic. Дослідницькі завдання в галузі науки про життя наразі заблоковані в її найефективнішій моделі, і компанія каже, що готує програму довіреного доступу для вчених — один із найпріоритетніших завдань. Тим часом Claude Opus 5 залишається найпотужнішою загальнодоступною моделлю.

Anthropic поділився підказками, які використовувалися для кампаній, а також усіма згенерованими даними in vitro та in silico — захід прозорості, який дозволить стороннім лабораторіям перевірити твердження. Для галузі, яка все ще сортує ажіотаж від результатів, публікація пропонує щось рідкісне: перевірені в лабораторії докази того, що модель штучного інтелекту загального призначення може виконати за години роботу, яка колись визначала кар’єру спеціаліста.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →