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
