이미지: X — 프론티어랩
摘要
- Claude仅凭人类专家撰写的一个提示词，在15个靶点蛋白中的14个上自主设计出结合分子
- Adaptyv Bio和Twist Bioscience独立制作并验证的结果显示，22%~35%的设计实际实现了结合，超过了行业平均的10%~15%
- Anthropic以此为基础，正在推进从抗体到小分子化合物的新药开发全流程自动化工作
- 설계 성공 표적 수
- 15개 표적 중 14개에 결합 단백질 설계
- 검증 파트너
- Adaptyv Bio, Twist Bioscience (독립 제작·검증)
- 업계 평균 성공률
- 10~15%
- 클로드 설계 성공률
- 구성에 따라 22~35%
- 사용 모델
- Opus 4.8, Mythos Preview
- 대표 결합력 사례
- EGFR 1.7pM, VEGF-A 1.6pM, TREM2 1.1pM (Mythos Preview 설계)
- 생명과학 연구용 최상위 모델
- Opus 5
Claude设计的蛋白质，在实验室中接受验证
Anthropic通过X平台发文，公开了让旗下模型Claude承担新药开发第一关——"蛋白质结合体设计"的结果。仅凭人类撰写的一个蛋白质设计提示词，Claude便针对15个靶点蛋白中的14个，从零开始（de novo）设计出了能够与之结合的新蛋白质。这些设计并非由Anthropic自行验证，而是由第三方实验室Adaptyv Bio和Twist Bioscience独立合成蛋白质并测试实际结合情况。
为何蛋白质结合体是新药开发的第一关
大多数药物的作用方式，都是与体内特定靶点结合，从而阻断或改变其功能。设计出能精准贴合该靶点的分子，是新药开发的起点。以往每个靶点都需要专家花费数周到数月时间，从大量候选物中筛选出合适的分子。蛋白质结合体设计虽然比实际药物设计更为简单，但被视为衡量AI在这一环节表现的有效试金石。目前该领域中，人类设计的结合体实际结合成功率通常在10%~15%左右。
从成功率看Claude的设计能力
根据Anthropic公开的数据，Claude的设计成功率因配置不同而在22%到35%之间。在合并15个靶点的整体结果中，Opus 4.8采用多靶点方式取得390例中88例（约22.6%）成功，预览模型Mythos Preview以同样方式取得390例中104例（约26.7%）成功。而在针对单一靶点集中设计的单靶点方式中，Mythos Preview将成功率提升至450例中158例，约35.1%。
| 配置 | 成功率 | 柱状 |
|---|---|---|
| 行业平均（现有方式） | 10~15% | 12 |
| Opus 4.8（多靶点） | 22.6% | 23 |
| Mythos Preview（多靶点） | 26.7% | 27 |
| Mythos Preview（单靶点） | 35.1% | 35 |
按靶点来看，差异较大。TREM2在三种配置下均取得76%~83%的高成功率，而15-PGDH、MBP等靶点的成功率仅停留在0%~1%水平。在衡量结合强度的Kd值（数值越低结合越强）指标上，Mythos Preview设计的EGFR结合体为1.7pM，VEGF-A为1.6pM，TREM2为1.1pM，部分案例的结合强度比此前发表的性能最佳的de novo结合体高出数倍。
尚待跨越的门槛
Anthropic自身也对这一结果划出了界限。蛋白质结合体并非药物本身，设计出能与靶点强力结合的分子，只是药物候选物质开发过程的第一步，距离证明该候选物质对人体安全有效，仍有更多环节要走。Anthropic表示，将以此次结果为基础，训练Claude从头到尾独立执行从抗体到小分子化合物的整个新药开发流程。公司预告称，将很快推出面向科学家的访问计划，使其能够使用Anthropic最强大的模型，并说明目前用于生命科学研究的最佳模型是Opus 5。Anthropic同时开源公开了本次实验所用的提示词和数据。
编辑视角
此次发布中最值得关注的，与其说是成功率数字本身，不如说是"独立验证"这一程序。如果结合率是由Anthropic自行测定，这一结果的可信度将大打折扣，但由于第三方实验室Adaptyv Bio和Twist Bioscience亲自合成蛋白质并进行测试，这一数字相当于经过了实验室之外的独立检验。在AI模型公司频繁以自有基准测试标榜优越性的当下，在生物学这种必须依赖实际物理实验的领域，此类外部验证程序很可能会成为衡量可信度的标准。
从代际比较来看，还有一点值得注意。表格中出现的名为"Mythos Preview"的模型，在多个靶点上表现出比现有Opus 4.8更高的成功率和更强的结合力。该模型看起来尚未正式推出、仍处于预览阶段，这或可视为窥探下一代Claude在生命科学领域表现的一条线索。持续观察AI模型超越编程、写作，进一步嵌入实验室工作流程的案例，会发现"人类原本要花数周完成的工作被压缩到数小时"这样的叙事一再重复出现，此次也未脱离这一趋势。
不过在实务层面仍需保持冷静。国内生物制药行业若因这一结果就急于依赖AI筛选新药候选物，还为时尚早。蛋白质结合体设计仅是新药开发数十个环节中的第一步，要走到安全性和有效性验证阶段,所需投入的时间和成本远非此次实验可比。就现阶段而言，业界人士能做的，充其量是将这类AI设计流程作为辅助工具，纳入早期候选物质筛选环节考量，而非替代整个开发流程。
预计未来几个月内，Anthropic预告的面向科学家的访问计划将逐步落地，同时也可能会有将实验范围扩展至抗体、小分子化合物等其他药物类型的后续结果发布。这一发布很可能会加速生命科学领域AI模型之间的竞争，使其激烈程度不亚于编程和图像生成领域。
