Claude memasuki dunia desain protein, pertarungan pertamanya langsung memberikan hasil yang gemilang.
Baru saja, A merilis blog baru, merinci proses perjalanan Mythos dan Opus mereka berdua masuk ke arena kompetisi AI4S.
Langsung loncat ke halaman hasil, memang ada sesuatu:
Kali ini Claude mendesain dari nol 1320 kandidat protein, lalu diserahkan ke laboratorium eksternal untuk diproduksi dan divalidasi.
Hasilnya ternyata 354 berhasil mengikat target, 14 dari 15 target berhasil dicapai, tingkat keberhasilan tertinggi mencapai 35.1%.
Perlu diketahui, tingkat keberhasilan tipikal proyek desain protein saat ini biasanya hanya 10%~15%.
Yang lebih hebat lagi, setelah merancang molekul baru, ia belum siap pulang.
Menghadapi file mentah NMR dan LC-MS yang disediakan laboratorium, Claude hanya membaca penjelasan tugas dua kalimat, lalu masing-masing menyelesaikan pemrosesan dalam 23 menit dan 19 menit.
Hasil pengukuran akhir kemurnian sampel adalah 96.4%, hasil yang diberikan laboratorium adalah 96.33%.
Hanya selisih 0.07 persen.
Artinya, hasil Claude ternyata sangat konsisten dengan hasil laboratorium.
Bukan Prediksi, Melainkan Mendesain Protein dari Nol
Saat menyebut protein, banyak orang mungkin langsung teringat proyek AlphaFold dari Google DeepMind.
Pertama-tama mari kita klarifikasi, AlphaFold melakukan prediksi terhadap struktur protein, intinya menyelesaikan “diketahui suatu rangkaian asam amino, struktur apa yang akan terlipat”.
Sedangkan tugas yang diterima Claude kali ini sangat berbeda:
Protein target ada di sini, harap rancang dari nol sebuah protein baru yang sebelumnya tidak pernah ada, agar dapat menempel dengan tepat.
Hal yang dirancang Claude disebut minibinder, yaitu protein pengikat mini.
Menurut informasi publik yang ditemukan, minibinder adalah protein kecil yang dirancang secara artifisial, biasanya hanya terdiri dari 50~70 asam amino, strukturnya kompak, fungsinya tunggal.
Tugasnya sangat murni, yaitu dengan presisi dan kekuatan yang sangat tinggi, menempel pada satu bagian tertentu pada protein target.
Jangan remehkan aksi “menempel” ini, banyak obat yang dapat bekerja, bergantung pada pengikatan presisi tingkat molekuler ini——
Menempel pada protein jahat agar tidak berfungsi, atau menempel pada protein baik untuk mengaktifkannya, atau menarik molekul obat langsung ke lokasi lesi untuk dilepaskan.
Masalahnya, pekerjaan ini cukup melelahkan.
Desainer protein tidak hanya harus mengatur sejumlah model profesional, tetapi juga harus berulang kali menghasilkan, mengoptimalkan, dan menyaring kandidat, seluruh proses ini sangat bergantung pada pengalaman.
Setiap target membutuhkan ahli untuk menghabiskan waktu berminggu-minggu bahkan berbulan-bulan, menyaring beberapa molekul yang benar-benar efektif dari sejumlah besar kandidat molekul.
Kali ini Anthropic langsung menyerahkan seluruh kotak peralatan kepada Claude.
Yang berpartisipasi dalam eksperimen adalah Mythos Preview dan Opus 4.8, mereka dapat mengakses makalah, sumber daya jaringan, dan berbagai model protein profesional, juga mendapatkan komputasi GPU yang cukup memadai.
Setelah manusia memberikan tugas awal, Claude langsung berjalan sendiri. Hasil keseluruhan setelah selesai adalah:
Claude berhasil mencapai 14 dari 15 target, di antaranya setidaknya 6 menghasilkan protein pengikat afinitas tinggi, setidaknya 4 menyamai atau melampaui hasil terbaik sebelumnya.
Cara menjalankannya secara spesifik dibagi menjadi dua:
Mode multi-target: Membiarkan Claude menangani beberapa target sekaligus dalam tugas 48 jam yang sama, dapat memanggil maksimal 12500 jam GPU H100.
Mode single-target: Hanya fokus pada satu target dalam satu waktu, setiap tugas berjalan paralel selama 24 jam, setiap target dapat menggunakan maksimal 2500 jam GPU H100.
Eksperimen membuktikan, fokus memang lebih baik daripada melakukan banyak hal sekaligus.
Dalam mode multi-target, tingkat keberhasilan keseluruhan Mythos Preview dan Opus 4.8 masing-masing adalah 26.7% dan 22.6%.
Saat beralih ke mode single-target, Mythos Preview langsung meloncat ke 35.1%.
Penampilannya pada beberapa target, bahkan meninggalkan prestasi manusia sebelumnya di belakang.
Misalnya RBX1, ini adalah target yang terlibat dalam regulasi degradasi protein, sebelumnya dalam kompetisi desain yang diadakan Adaptyv Bio, tingkat keberhasilan keseluruhan semua peserta hanya 3.7%, sedangkan saat Mythos Preview menantangnya sendiri, tingkat keberhasilannya mencapai 40%.
Tidak hanya lebih mudah berhasil, desain peringkat pertama Claude juga merupakan protein pengikat afinitas tinggi, kekuatan pengikatannya melebihi juara yang dipilih dari 245 desain peserta dalam kompetisi tersebut.
Ada juga TNFα yang lebih sulit, ini adalah protein sinyal inflamasi yang dilepaskan sistem imun.
Karena posisi pengikatan yang tepat tersembunyi di alur yang dibentuk oleh dua protein, sebelumnya beberapa tim ahli pernah menemui jalan buntu di sini.
Hasilnya, soal ini tidak berhasil diselesaikan Mythos Preview, malah berhasil ditaklukkan oleh Opus 4.8:
Opus 4.8 tidak hanya merancang beberapa protein pengikat yang efektif, beberapa di antaranya bahkan dapat mengikat TNFα manusia, monyet ekor panjang, dan tikus secara bersamaan.
Kemampuan pengikatan lintas spesies ini sangat krusial, karena ketika masuk ke uji hewan selanjutnya, tidak perlu merancang ulang setiap berganti spesies.
Namun masalah pun muncul:
Mengapa Mythos Preview yang secara keseluruhan lebih kuat gagal, sedangkan Opus 4.8 berhasil?
A mengakui mereka sendiri juga belum memahaminya.
Bisa dikatakan, kemampuan penelitian model besar masih belum merata.
Saat Claude melanjutkan tantangan mendesain struktur lipatan beta yang lebih sulit, ia berhasil membuat 15 protein pengikat efektif pada 6 target.
Tetapi saat beralih ke maltose-binding protein MBP, Claude benar-benar gagal——
90 desain tidak ada satu pun yang dikonfirmasi berhasil, hanya satu yang menunjukkan sinyal lemah.
Jadi, saat ini mengatakan “masukkan target, Claude bisa otomatis mengeluarkan obat baru” masih terlalu dini, tetapi Claude telah membuktikan:
Ia dapat mengatur model profesional secara mandiri, menyelesaikan alur desain yang sebelumnya membutuhkan ahli untuk menghabiskan banyak waktu mengatur dan menyaring.
Langkah ini sudah cukup besar.
Setelah Mendesain Molekul Baru, Claude Mulai Membaca Data Eksperimen
Tetapi eksperimen A tidak berhenti di situ.
Selain menguji apakah Claude bisa mendesain hal baru, mereka juga ingin melihat:
Menghadapi senyawa yang sudah dibuat, apakah Claude dapat membaca data eksperimen secara mandiri, menilai apa sebenarnya dan murni atau tidak.
Kali ini yang muncul adalah Claude Opus 5 yang dapat digunakan secara universal.
Tugas berasal dari dua pekerjaan yang sangat rutin dan melelahkan dalam kimia analitik:
Spektroskopi Resonansi Magnetik Nuklir (NMR): Mengamati sinyal atom hidrogen dalam molekul, mengkonfirmasi “apakah yang dibuat adalah molekul target”.
Analisis Kromatografi Cair-Spektrometri Massa (LC-MS): Memisahkan komponen berbeda dalam sampel, lalu mengukur berat molekul dan kandungannya, menilai “apakah sampel murni, ada apa lagi di dalamnya”.
Pekerjaan ini membutuhkan kimiawan untuk memproses data mentah format proprietary secara manual, langkah demi langkah mengkalibrasi, menemukan puncak, mengintegrasikan, memeriksa, dan akhirnya menulis laporan.
Banyak langkah, sangat bergantung pada pengalaman, sedikit penyimpangan dapat menghasilkan kesimpulan yang salah.
Kali ini Anthropic hanya memberikan file mentah yang dikembalikan laboratorium kepada Claude, serta penjelasan tugas dua kalimat.
Tidak ada perangkat lunak vendor, juga tidak ada operator yang membimbing di samping (p.s. data dan prompt terkait telah open source).
Hasilnya Claude masing-masing menyelesaikan analisis NMR dan LC-MS dalam 23 menit dan 19 menit.
Di sisi NMR, Claude mengatur 18 puncak sinyal, dan menghitung jumlah atom hidrogen yang sesuai dengan setiap puncak, hasilnya selisih dengan laboratorium tidak lebih dari 0.08 atom hidrogen.
Ia juga menemukan bahwa 4 puncak lebar di antaranya mungkin berasal dari hidrogen yang terikat pada nitrogen atau oksigen, sehingga menyarankan untuk menambahkan air berat untuk verifikasi lebih lanjut.
Ini adalah metode eliminasi umum, setelah menambahkan air berat, sinyal dari atom hidrogen tertentu akan melemah atau menghilang, kimiawan dapat menilai struktur molekul berdasarkan hal ini.
Kebetulannya, laboratorium kemudian juga melakukan verifikasi yang sama.
Setelah verifikasi, awalnya Claude mengira keempat sinyal tersebut hilang semua, setelah pemeriksaan mandiri menemukan tidak benar, secara aktif memperbaiki menjadi hanya dua yang hilang, kesimpulan akhir konsisten dengan laboratorium.
Di sisi LC-MS lebih langsung.
Menghadapi file vendor tanpa penjelasan format publik, Claude pertama-tama mencari tahu sendiri bagaimana data dikodekan, lalu dengan mereproduksi seluruh 2664 catatan scan, mengkonfirmasi file tidak terbaca salah.
Kemudian, ia memberikan kromatogram, spektrum massa, tabel kemurnian dan berat molekul, juga sekaligus menulis satu set kode parser yang dapat digunakan kembali.
Akhirnya, Claude mengukur kemurnian sampel sebesar 96.4%, hasil laboratorium adalah 96.33%.
Hanya selisih 0.07 persen.
A menulis dalam kesimpulannya:
Kedua eksperimen bersama-sama menunjuk pada satu hal, AI sedang mengurangi hambatan profesional, biaya, dan waktu yang dibutuhkan dalam penelitian ilmu kehidupan. Dalam analisis kimia, Claude mulai mengambil alih pekerjaan pemrosesan yang sebelumnya bergantung pada tenaga manual; dalam desain protein, Claude dapat menyelesaikan desain pengikat dari ujung ke ujung dengan input yang sangat sedikit, beberapa hasil menyamai atau bahkan melampaui desain terbaik sebelumnya.
Meskipun masih jauh dari pengembangan obat baru yang sebenarnya, setidaknya AI telah membuat kita melihat kemungkinan mempercepat proses ini.
Masih Menyisakan Kejutan
Di akhir blog, A juga memberikan poin penting untuk para ilmuwan.
Eksperimen protein kali ini menggunakan Mythos Preview dan Opus 4.8, sedangkan Fable 5 yang lebih kuat, saat ini tidak membuka tugas ilmu kehidupan semacam ini kepada pengguna biasa.
Alasannya juga langsung, bisa merancang protein obat, juga berpotensi digunakan untuk penelitian biologi yang berbahaya.
Tetapi A telah mengumumkan, sedang mempersiapkan program akses eksklusif untuk para ilmuwan, informasi lebih lanjut akan diumumkan kemudian.
Laporan teknis lengkap: https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf
Alamat open source prompt dan data terkait: https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main
Referensi:
[1]https://www.anthropic.com/research/Claude-accelerates-protein-design
[2]https://x.com/AnthropicAI/status/2089842387845804246
Artikel ini berasal dari akun WeChat publik "量子位", penulis: Yishui
