Anthropic 表示，其 Claude 模型现在可以从头开始设计蛋白质结合剂，其效果与领先的人类专家一样好，甚至比领先的人类专家更好，该公司在湿实验室中验证了这一结果，并于周一在一篇研究文章中发表，这是迄今为止人工智能加速真正科学发现的最清晰的演示之一。

这些发现来自两个实验。在第一个项目中，Anthropic 测试了克劳德设计蛋白质结合剂的能力 - 设计用于紧紧锁定目标蛋白质的小蛋白质 - 这项任务历来需要人类专家花费数周或数月的时间才能完成每个目标，并且是现代药物设计的核心。 更多相关背景，请参阅我们的人工智能资讯。

超越基准

Anthropic 与外部评估机构 Adaptyv Bio 和 Twist Bioscience（这两家公司在实验室中独立生产和测试了 Claude 的设计）合作，针对 15 个蛋白质目标开展了多臂设计活动。克劳德 (Claude) 成功战胜了其中的 14 个，从 1,320 种设计中生产出了 354 个经过确认的活页夹。仅此一项就代表了对从头蛋白质设计公共库的重大补充：Anthropic 指出，现有的两个最大的库总共包含针对 40 个目标的 5,700 个设计中的大约 770 个结合物。

命中率引起了生物学家的注意。 Anthropic 的 Mythos Preview 模型在 48 小时内同时针对所有目标进行设计时，总体命中率达到 26.7%，Claude Opus 4.8 紧随其后，为 22.6%。该公司指出，目前蛋白质设计活动的典型命中率为 10% 至 15%。当 Mythos Preview 在多个 24 小时会话中一次专注于一个目标时，其命中率攀升至 35.1%。该活动从广泛研究的基准（包括 Adaptyv Bio 的所有 BenchBB 套件）中提取目标，再加上两个新目标 15-PGDH 和 GDF-8，专门选择以确保 Claude 无法依赖其训练数据中预先记录的成功。对于 15 个目标中的每一个，研究人员要求 Claude 设计 30 个蛋白质结合剂。

在个人竞争目标上，差距更大。针对 RBX1（一种参与靶向蛋白质降解的蛋白质），Mythos Preview 在单目标模式下实现了 40% 的命中率（而同一比赛中人类参与者的命中率为 3.7%），其排名第一的设计在结合亲和力方面优于获胜的人类设计。

也有一些有启发性的失败。一种名为 BBF-14 的从头设计的 β 桶蛋白和麦芽糖结合蛋白 (MBP) 仍然遥不可及，这些靶点的新颖性和光滑、灵活的表面使得粘合剂几乎无法抓住。令人惊讶的是，Opus 4.8（而不是更强大的 Mythos Preview）在 TNFα 上取得了成功，TNFα 是一个众所周知的困难目标，其封锁是一些有史以来最畅销药物（包括 Humira）的基础。

自主研究员

也许最引人注目的是该活动所需的人类参与是多么少。在初步提示后，Anthropic 表示没有提供额外的科学、技术或操作指导。克劳德选择每种蛋白质的设计目标，通过协调公开的专业蛋白质设计和共同折叠模型生成候选结构和序列，并端到端地运行该活动——这可能需要人类操作员数周的时间。

这项工作在多目标运行中消耗了多达 12,500 个 NVIDIA H100 小时的计算时间，在单目标模式下每个目标消耗了多达 2,500 个 H100 小时的计算时间。克劳德甚至制作了 15 个已确认的结合物，其中含有重要的 β 折叠结构，这种折叠比大多数计算工具默认的 α 螺旋束更难设计。

从设计分子到读取原始数据

第二个实验测试了一个不同的、更普通的瓶颈：分析化学。化学家每次制造分子时，都必须使用核磁共振 (NMR) 光谱和液相色谱-质谱 (LC-MS) 来确认它是什么以及它的纯度。解释这些文件是一项艰苦的手工工作。

仅提供合同实验室的原始仪器文件和简短的简单语言提示（无需供应商软件，无需操作员），Claude Opus 5 并行工作，分别在 23 分钟和 19 分钟内返回完全处理的 NMR 和 LC-MS 结果。其结果与实验室自己的分析相符。在此过程中，该模型对未记录的供应商文件格式进行了逆向工程，根据仪器记录的所有 2,664 次扫描总数验证了其读数，并提出了合同实验室在三天后独立运行的精确后续实验（重水检查）。

Anthropic 表示，这次运行还展示了真正的科学判断，而不仅仅是自动化，并指出化学家通常需要半小时到一个小时来分析每个样品。

安全第一

该公司明确表示了双重用途的影响。 Anthropic 警告说，同样可以加速人类治疗的自主研究能力，如果没有强有力的保障措施，也可能会导致生物武器开发等危险的研究成为可能。目前，生命科学研究任务被限制在其最有能力的模型中，该公司表示正在为科学家准备一个可信的访问计划——这是其最高优先事项之一。与此同时，Claude Opus 5 仍然是其最强大的通用型号。

Anthropic 分享了活动中使用的提示以及生成的所有体外和计算机数据——这是一种透明措施，可以让外部实验室验证这些说法。对于一个仍在将炒作与结果进行分类的领域，这篇文章提供了一些罕见的东西：经过实验室验证的证据，表明通用人工智能模型可以在数小时内完成曾经定义专家职业生涯的工作。

---

掌握AI最新动态

获取最新的AI新闻、分析和突破——尽在一处。

阅读更多AI新闻 →