Claude вторгается в дизайн белков, и первая же попытка приносит блестящие результаты.
Только что компания Anthropic (A) опубликовала новый пост в блоге, подробно описывающий весь процесс, как их Mythos и Opus рука об руку смело ворвались на трек ИИ для науки (AI4S).
Быстро пролистав до страницы с результатами, видно, что там действительно есть на что посмотреть:
В этот раз Claude с нуля спроектировал 1320 кандидатных белков, которые затем были переданы внешней лаборатории для производства и проверки.
Оказалось, что 354 из них успешно связываются с мишенью, поразив 14 из 15 мишеней, с максимальной частотой попаданий 35,1%.
Для сравнения, типичная частота попаданий в современных проектах по дизайну белков обычно составляет всего 10-15%.
Более того, спроектировав новые молекулы, он еще не собирался заканчивать работу.
Предоставленные лабораторией исходные файлы ЯМР и ЖХ-МС Claude обработал, прочитав лишь два предложения с описанием задачи, за 23 и 19 минут соответственно.
В итоге была измерена чистота образца в 96,4%, тогда как лабораторный результат составил 96,33%.
Разница всего в 0,07 процентных пункта.
То есть результаты Claude оказались в высокой степени согласованными с лабораторными результатами.
Не предсказание, а дизайн белков с нуля
Услышав о белках, многие сразу вспоминают проект AlphaFold от Google DeepMind.
Сразу уточним: AlphaFold предсказывает структуру белка, в основном решая задачу «известна последовательность аминокислот, во что она свернется?».
А задача, поставленная перед Claude, была совсем другой:
Вот целевой белок, пожалуйста, с нуля спроектируйте новый, ранее не существовавший белок, который будет точно к нему прилипать.
Claude проектировал так называемые minibinder'ы, то есть микробелки-связыватели.
Согласно найденной открытой информации, minibinder — это искусственно созданные небольшие белки, обычно состоящие из 50-70 аминокислот, с компактной структурой и единственной функцией.
Его задача проста: с высокой точностью и прочностью прилипнуть к определенному участку на поверхности целевого белка.
Не стоит недооценивать это действие «прилипания», ведь многие лекарства работают именно благодаря такому точному связыванию на молекулярном уровне —
прилипнуть к плохому белку и обезвредить его, или прилипнуть к хорошему белку и активировать его, или же доставить молекулу лекарства прямо к очагу заболевания для высвобождения.
Проблема в том, что эта работа довольно сложна.
Дизайнеру белков нужно не только управлять набором профессиональных моделей, но и многократно генерировать, оптимизировать и отбирать кандидатов, весь процесс сильно зависит от опыта.
На каждый таргет эксперту требуется от нескольких недель до нескольких месяцев, чтобы отобрать из большого количества кандидатных молекул лишь несколько действительно эффективных.
Anthropic в этот раз просто передала Claude весь набор инструментов.
В эксперименте участвовали Mythos Preview и Opus 4.8, они имели доступ к научным статьям, интернет-ресурсам и нескольким профессиональным моделям для белков, а также получили достаточно вычислительных мощностей на GPU.
После постановки первоначальной задачи человеком, Claude начал работать самостоятельно. Общий результат таков:
Claude поразил 14 из 15 мишеней, причем как минимум для 6 из них были получены высокоаффинные связывающие белки, а как минимум для 4 результаты сравнялись или превзошли предыдущие наилучшие.
Способ работы был разделен на два типа:
Многозадачный режим: позволить Claude в рамках одной 48-часовой задачи одновременно обрабатывать несколько целей, с возможностью использования до 12500 GPU-часов на H100.
Однозадачный режим: фокусироваться только на одной цели за раз, каждая задача параллельно выполняется в течение 24 часов, на каждую цель можно использовать до 2500 GPU-часов на H100.
Эксперимент доказал, что концентрация действительно лучше, чем многозадачность.
В многозадачном режиме общая частота попаданий для Mythos Preview и Opus 4.8 составила 26,7% и 22,6% соответственно.
После переключения в однозадачный режим, частота попаданий Mythos Preview сразу выросла до 35,1%.
Результаты по некоторым мишеням даже оставили позади предыдущие достижения человека.
Например, RBX1 — это мишень, участвующая в регуляции деградации белков. Ранее на конкурсе по дизайну, организованном Adaptyv Bio, общая частота попаданий всех участников составила всего 3,7%, в то время как когда Mythos Preview атаковал ее в одиночку, частота попаданий достигла 40%.
Более того, первое по рейтингу дизайнерское решение Claude не только легче попадало в цель, но и оказалось высокоаффинным связывающим белком, сила связывания которого превысила чемпиона, выбранного из 245 дизайнерских решений участников того соревнования.
Еще более сложной оказалась TNFα — это сигнальный белок воспаления, высвобождаемый иммунной системой.
Поскольку подходящее место для связывания скрыто в желобке, образованном двумя белками, ранее несколько экспертных команд сталкивались здесь с трудностями.
В итоге с этой задачей не справился Mythos Preview, но ее удалось решить Opus 4.8:
Opus 4.8 не только спроектировал несколько эффективных связывающих белков, но и некоторые из них способны одновременно связывать человеческий, макачий и мышиный TNFα.
Эта способность к межвидовому связыванию очень важна, потому что в последующих экспериментах на животных не придется заново проектировать для каждого вида.
Однако тут же возникает вопрос:
Почему более сильный в целом Mythos Preview потерпел неудачу, а Opus 4.8 добился успеха?
Компания A призналась, что и сама не понимает.
Можно лишь сказать, что научные способности больших моделей по-прежнему неровные.
Когда Claude продолжил бросать вызов более сложным для проектирования β-складчатым структурам, он успешно создал 15 эффективных связывающих белков для 6 мишеней.
Но переключившись на мальтозосвязывающий белок MBP, Claude полностью провалился —
из 90 дизайнов ни один не был подтвержден как успешный, лишь один показал слабый сигнал.
Поэтому сейчас говорить «введите мишень, и Claude автоматически выдаст новое лекарство» еще рано, но Claude уже доказал:
Он может самостоятельно управлять профессиональными моделями и выполнять процесс проектирования, который раньше требовал от экспертов много времени на организацию и отбор.
Это уже большой шаг.
Спроектировав новые молекулы, Claude начал читать экспериментальные данные
Однако эксперименты компании A на этом не закончились.
Помимо проверки способности Claude проектировать новые вещества, они хотели посмотреть:
Может ли Claude, столкнувшись с уже созданными соединениями, самостоятельно прочитать экспериментальные данные и определить, что это такое и насколько чистое.
На этот раз на сцену вышел общедоступный Claude Opus 5.
Задачи были взяты из двух рутинных, но утомительных областей аналитической химии:
Спектроскопия ядерного магнитного резонанса (ЯМР): наблюдение сигналов атомов водорода в молекуле для подтверждения «является ли полученное вещество целевой молекулой».
Анализ методом жидкостной хроматографии с масс-спектрометрией (ЖХ-МС): разделение различных компонентов образца с последующим измерением их молекулярной массы и содержания для определения «чистоты образца и того, что еще там есть».
Эта работа требует от химика ручной обработки исходных данных в проприетарных форматах, пошаговой калибровки, поиска пиков, интегрирования, проверки и, наконец, написания отчета.
Шагов много, и процесс сильно зависит от опыта, малейшее отклонение может привести к ошибочному выводу.
В этот раз Anthropic дала Claude только исходные файлы, возвращенные лабораторией, и два предложения с описанием задачи.
Не было программного обеспечения производителя, ни операторов, которые бы инструктировали рядом (примечание: соответствующие данные и промпты были открыты).
В результате Claude завершил анализ ЯМР и ЖХ-МС за 23 и 19 минут соответственно.
В случае ЯМР, Claude идентифицировал 18 сигнальных пиков и вычислил количество атомов водорода, соответствующее каждому пику, с погрешностью не более 0,08 атома водорода по сравнению с лабораторными данными.
Он также обнаружил, что 4 широких пика могут исходить от водорода, связанного с азотом или кислородом, и предложил добавить тяжелую воду для дальнейшей проверки.
Это распространенный метод исключения: после добавления тяжелой воды сигналы от определенных атомов водорода ослабевают или исчезают, что позволяет химику сделать вывод о структуре молекулы.
Что интересно, позже лаборатория провела такую же проверку.
После проверки Claude сначала подумал, что все 4 сигнала исчезли, но самопроверка показала ошибку, и он самостоятельно исправил вывод, указав, что исчезли только два сигнала, что совпало с заключением лаборатории.
В случае ЖХ-МС все было еще более прямо.
Столкнувшись с файлами производителя без открытого описания формата, Claude сначала сам разобрался, как закодированы данные, а затем, воспроизведя все 2664 записи сканирования, подтвердил, что файлы были прочитаны корректно.
Затем он предоставил хроматограмму, масс-спектр, таблицу чистоты и молекулярную массу, а также написал набор многократно используемого кода для анализа.
В итоге Claude измерил чистоту образца в 96,4%, лабораторный результат составил 96,33%.
Разница всего в 0,07 процентных пункта.
Компания A в заключении написала:
Оба эксперимента указывают на одну вещь: ИИ снижает профессиональные барьеры, стоимость и время, необходимые для исследований в области наук о жизни. В химическом анализе Claude начинает брать на себя обработку, которая раньше зависела от ручного труда; в дизайне белков Claude может сквозным образом, с минимальными входными данными, выполнить дизайн связывающего вещества, причем некоторые результаты сравнимы или даже превосходят предыдущие лучшие разработки.
Хотя до настоящей разработки новых лекарств еще далеко, по крайней мере, ИИ уже позволил нам увидеть возможность ускорить этот процесс.
И еще оставили пасхалку
В конце поста компания A также выделила для ученых ключевой момент.
В этом белковом эксперименте использовались Mythos Preview и Opus 4.8, тогда как более мощная Fable 5 в настоящее время не открывает для обычных пользователей доступ к подобным задачам в области наук о жизни.
Причина проста: способность проектировать белковые лекарства также может быть использована для опасных биологических исследований.
Однако компания A уже анонсировала, что готовит специальную программу доступа для ученых, позже будет опубликована дополнительная информация.
Полный технический отчет: https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf
Открытые промпты и данные: https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main
Ссылки:
[1]https://www.anthropic.com/research/Claude-accelerates-protein-design
[2]https://x.com/AnthropicAI/status/2089842387845804246
Статья из WeChat-аккаунта «Квантовый бит» («量子位»), автор: И Шуй (一水)
