摘要
- Claude只获得靶点蛋白信息,在没有人工介入的情况下,用24小时独自设计出结合蛋白
- Adaptyv Bio和GenScript两家实验室分别独立合成并检测,结果显示12个靶点中近一半真的实现了结合
- 与去年8月报道的人工提示实验(15个靶点设计出14个,成功率22%~35%)相比,这次即便没有人工介入也取得了相近的成果
Anthropic的AI模型Claude在没有人工帮助、只拿到靶点蛋白信息的情况下,24小时内独自设计出了新的结合蛋白,两家独立实验室随后确认,其中近一半真的能与靶点结合。这次案例的关键在于:人类只给出了一个目标,剩下的整个设计过程全部交给了AI。
具体来说,Anthropic去年8月曾公布,Claude在接受人类专家提示后,针对15个靶点蛋白中的14个设计出了结合分子,经Adaptyv Bio和Twist Bioscience验证,成功率为22%~35%。这次不同之处在于,人类只告知了靶点信息,剩下的整个设计过程由Claude在24小时内独自完成,验证机构也新增了GenScript。
具体做了什么
每当获得一个靶点蛋白,Claude就会利用开源生物分子模型自主重复生成候选蛋白、预测折叠结构、评分打分的整个流程。之后再用生物信息学工具检查候选群的多样性和新颖性,从中挑选出最有可能与靶点结合的设计方案。人类介入的部分仅仅是告知靶点,剩下的整个设计过程都是Claude在24小时内独立完成的。
两家实验室分头验证
Claude挑选出的设计方案,分别在Adaptyv Bio和GenScript这两家不同的实验室中实际合成并测量。据悉,在公开的12个靶点中,Claude设计的蛋白质有近一半真的表现出了结合反应。计算机模拟中看起来合理的设计,和在实验台上真正起作用的设计是两回事,所以这一验证环节格外重要。
与上个月的结果相比
Claude在新药结合蛋白设计中创下超越行业平均水平的成功率一文中提到的8月实验,是由人类专家通过提示引导方向的方式完成的。把这次实验和它放在一起对比,能清楚看出发生了什么变化。
| 项目 | 8月实验(专家提示) | 本次实验(完全自主) |
|---|---|---|
| 靶点数量 | 15个 | 12个 |
| 验证实验室 | Adaptyv Bio、Twist Bioscience | Adaptyv Bio、GenScript |
| 结合成功率 | 22%~35% | 近半 |
| 人工介入 | 提供专家提示 | 仅指定靶点 |
这一结果为何重要
在寻找新药候选物质的过程中,最棘手的环节之一就是筛选出真正能与靶点结合的结合蛋白。即便计算机模拟对折叠结构和结合力预测得再精细,实际实验中能通过的比例往往偏低,业内通常把10%~15%左右视为成功基准。上个月由人类专家引导方向的实验成功率为22%~35%,而这次即便没有人工介入,成功率也提升到了近一半的水平,这正是本次结果所展现出的变化。
编辑视角
这次案例可以用一句话概括:AI在新药开发的早期设计阶段,即便没有人类的引导,也能拿出接近实战水平的成果。去年8月的实验是人类专家通过提示指明方向后得出的结果,而这次只给出一个靶点、把整整24小时全权交给AI,却得到了同等级别的结合率。这一差距的缩小,本身就与Anthropic想要把从抗体到小分子化合物的整个新药开发流程自动化的方向不谋而合。
多家公司在实际业务中使用开源蛋白质语言模型时,常常会撞上同一堵墙:模拟评分看起来很漂亮,但在真实结合实验中却复现不出来。正因如此,像Adaptyv Bio和GenScript这样两家不同实验室分别独立验证的流程本身,比任何一个单一数字都更值得关注。缺乏复现性的计算机模拟结果,最多只能写成一篇论文,但两家实验室分别确认过的结果,才是推进到下一阶段的依据。
对国内生物制药团队来说,与其急于照搬这种完全自主的流程,不如先搭建起"开源生物分子模型+自有验证实验室"的协作体系,这样更现实。因为AI设计产出的速度越快,湿实验室的验证能力就越容易成为瓶颈。预计未来几周内,Anthropic很可能会把这种自主设计方式进一步扩展到抗体、小分子化合物等其他分子类型上。
评论