AlphaFold刚解散，Claude进军蛋白质设计：15个靶点拿下14个

Claude进军蛋白质设计，首战即交出亮眼成绩单。

刚刚，A社扔出一篇新博客，详细复盘了自家Mythos和Opus手拉手勇闯AI4S赛道的全过程。

快速翻到结果页，一看确实有点东西：

这次Claude从头设计了1320个蛋白质候选，再交给外部实验室生产、验证。

结果竟然有354个成功结合目标，15个靶点拿下14个，最高命中率达到35.1%。

要知道当下蛋白质设计项目的典型命中率，通常只有10%~15%。

更狠的是，设计完新分子，它还没准备下班。

面对实验室提供的NMR和LC-MS原始文件，Claude只看了两句话的任务说明，就分别用23分钟和19分钟完成处理。

最终测得样品纯度为96.4%，实验室给出的结果是96.33%。

只差0.07个百分点。

就是说， Claude的结果与实验室结果居然高度一致。

不是预测，是从头设计蛋白质

一提起蛋白质，很多人可能会立马想到谷歌DeepMind的AlphaFold项目。

先澄清一下，AlphaFold是对蛋白质结构进行预测，核心解决“已知一段氨基酸序列，它会折叠成什么结构”。

而Claude这次接到的任务大不相同：

目标蛋白摆在这里，请从零设计一个此前不存在的新蛋白，让它能精准黏上去。

Claude要设计的东西叫minibinder，也就是微型结合蛋白。

根据查到的公开资料，minibinder是人工设计的小型蛋白质，通常只有50~70个氨基酸，结构紧凑，功能单一。

它的任务很纯粹，即以极高的精度和强度，黏住目标蛋白上的某一个特定部位。

别小看这个“黏住”的动作，很多药物之所以能起效，靠的就是这种分子层面的精准结合——

黏住坏蛋白让它失效，或者黏住好蛋白把它激活，再或者把药物分子直接拽到病灶处释放。

问题是，这活儿相当折腾人。

蛋白质设计师不仅要调度一串专业模型，还得反复生成、优化和筛选候选，整个流程很吃经验。

每个靶点需要专家花费数周甚至数月的时间，从大量候选分子中筛选出少数几个真正有效的。

Anthropic这次索性把整套工具箱交给了Claude。

参与实验的是Mythos Preview和Opus 4.8，它们可以访问论文、网络资源和多个专业蛋白质模型，也拿到了相当充足的GPU算力。

人类给完初始任务后，Claude就自己跑了起来。整体跑完的结果是：

Claude拿下15个靶点中的14个，其中至少6个产出高亲和力结合蛋白，至少4个追平或超过此前最佳结果。

具体跑法分成了两种：

多靶点模式：让Claude在同一个48小时任务里同时处理多个目标，最多可调用12500个H100 GPU小时。

单靶点模式：一次只盯着一个目标，各任务并行运行24小时，每个靶点最多能用2500个H100 GPU小时。

实验证明，专注确实比一心多用更好。

多靶点模式下，Mythos Preview和Opus 4.8的整体命中率分别为26.7%和22.6%。

而切换到单靶点模式后，Mythos Preview直接冲到35.1%。

部分靶点上的表现，甚至把此前的人类成绩甩在了身后。

比如RBX1，这是一个参与调节蛋白质降解的靶点，此前在Adaptyv Bio举办的设计比赛中，所有参赛者的整体命中率只有3.7%，而Mythos Preview单独挑战它时，命中率达到了40%。

不仅更容易命中，Claude排名第一的设计还是一个高亲和力结合蛋白，结合强度超过了那场比赛从245个参赛设计中选出的冠军。

还有更难啃的TNFα，这是免疫系统释放的一种炎症信号蛋白。

由于合适的结合位置藏在两个蛋白形成的凹槽里，此前多个专家团队都曾在这里碰壁。

结果这道题Mythos Preview没做出来，反倒被Opus 4.8攻下了：

Opus 4.8不仅设计出多个有效结合蛋白，其中一些还能同时结合人类、食蟹猴和小鼠的TNFα。

这种跨物种结合能力很关键，因为后续进入动物实验时，不用换个物种就重新设计一遍。

不过问题也随之来了：

为什么整体更强的Mythos Preview翻车，Opus 4.8却成功了？

A社坦言自己也没搞明白。

只能说，大模型的科研能力依旧不够平整。

当Claude继续挑战更难设计的β折叠结构，它在6个靶点上成功做出了15个有效结合蛋白。

但切换到麦芽糖结合蛋白MBP，Claude却彻底翻车——

90个设计无一确认成功，只有一个出现微弱信号。

所以，这时候说“输入靶点，Claude能自动吐出新药”为时尚早，但Claude已经证明：

它能自主调度专业模型，跑完过去需要专家花费大量时间组织和筛选的设计流程。

这一步，已经够大。

设计完新分子，Claude又开始读实验数据

不过A社的实验并未止步于此。

除了考查Claude能不能设计新东西，他们还想看看：

面对已经做出来的化合物，Claude能不能独立读懂实验数据，判断它究竟是什么、纯不纯。

这次出场的是可普遍使用的Claude Opus 5。

任务来自分析化学中两项很常规、也很磨人的工作：

核磁共振波谱NMR：观察分子中氢原子的信号，确认“做出来的是不是目标分子”。

液相色谱—质谱联用分析LC-MS：分离样品中的不同成分，再测量其分子量和含量，判断“样品纯不纯、里面还有什么”。

这活儿需要化学家手动处理专有格式的原始数据，一步步校准、找峰、积分、核对，最后写成报告。

步骤多、又很吃经验，稍有偏差就可能得出错误结论。

Anthropic这次只给了Claude实验室返回的原始文件，以及两句话的任务说明。

没有厂商软件，也没有操作人员在旁边指导（p.s. 相关数据和提示词已开源）。

结果Claude分别用23分钟和19分钟完成了NMR与LC-MS分析。

NMR这边，Claude整理出18个信号峰，并计算每个峰对应的氢原子数量，结果与实验室的误差不超过0.08个氢。

它还发现其中4个宽峰可能来自连接在氮或氧上的氢，于是建议加入重水做进一步验证。

这是一种常见的排除法，加入重水后，某些特定氢原子的信号会减弱或消失，化学家就能据此判断分子结构。

巧的是，实验室后来也做了同样的验证。

验证之后，Claude最初以为4处信号全部消失，自检后发现不对，主动修正为只有两处消失，最终结论与实验室一致。

LC-MS这边更直接。

面对没有公开格式说明的厂商文件，Claude先自己搞清楚数据如何编码，再通过复现全部2664次扫描记录，确认文件没有读歪。

随后，它给出了色谱图、质谱图、纯度表和分子量，还顺手写了一套可重复使用的解析代码。

最终，Claude测得样品纯度为96.4%，实验室结果为96.33%。

只差0.07个百分点。

A社在结论中写道：

两项实验共同指向一件事，AI正在减少生命科学研究所需的专业门槛、成本和时间。化学分析中，Claude开始接手过去依赖人工的处理工作；蛋白质设计中，Claude能以极少输入端到端完成结合物设计，部分成果追平甚至超过此前最佳设计。

虽然离真正的新药研发还很远，但至少AI已经让我们看到了加速这个进程的可能。

还留了个彩蛋

博客最后，A社还给科学家们画了个重点。

这次蛋白质实验用的是Mythos Preview和Opus 4.8，至于能力更强的Fable 5，目前不向普通用户开放这类生命科学任务。

原因也很直接，能设计药物蛋白，同样可能被拿去做危险的生物研究。

不过A社已经预告，正在筹备一项面向科学家的专属访问计划，后续会公布更多信息。

完整技术报告：https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf

相关提示词及数据开源地址：https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main

参考链接：

[1]https://www.anthropic.com/research/Claude-accelerates-protein-design

[2]https://x.com/AnthropicAI/status/2089842387845804246

本文来自微信公众号“量子位”，作者：一水，36氪经授权发布。