Claude能独立设计蛋白质了！

“Claude 已经不只是帮科学家查论文、写代码了，它开始直接参与蛋白质设计和化学分析。”刚刚， Anthropic 最新公布的两项实验，把 AI 在生命科学中的能力推进了一步。

在蛋白质设计实验中，Claude 针对 15 个目标设计蛋白质结合剂，最终有 14 个目标获得成功；不同实验设置下，设计命中率达到 22.6%—35.1%，而目前蛋白质设计领域的典型水平约为 10%—15%。

其中一些设计的结合能力，甚至超过此前公开发表的最佳结果。

更值得关注的是，这一过程几乎没有人工干预，Claude 自主完成了从选择靶点、生成结构和序列，到计算优化、筛选候选物的完整流程。

另一项实验则更接近普通科研工作。

Claude Opus 5 只拿到合同实验室的原始 NMR 和 LC-MS 数据，以及两句话的指令，就在 19—23 分钟内完成分析，结果与实验室人工分析基本一致：纯度分别为 96.4% 和 96.33%。

原本需要化学家逐步处理、分析的工作，被一个通用模型独立完成。

这意味着 ，AI 正在从“辅助科研人员”，走向“执行科研流程”。

但 Anthropic 也明确承认，这种能力具有明显的双重用途风险：蛋白质设计等生物学能力一旦被滥用，也可能被用于危险研究。

因此，这些能力目前仍未向 Claude Fable 5 的普通用户开放。

以下为Anthropic 公告信息⸻

《Claude 如何加速蛋白质设计和分析化学》

摘要：

在这篇文章中，我们分享两项结果，展示 Claude 如何帮助生命科学研究人员提高研究速度。

第一项实验测试了 Claude 从零开始设计蛋白质结合剂的能力。

这是药物设计早期阶段具有代表性的关键任务之一，而过去针对每个目标，这项工作通常需要专业人员花费数周甚至数月。

Claude（Mythos Preview 和 Opus 4.8）针对 15 个目标设计了蛋白质结合剂，其中 14 个目标取得成功。

根据实验设置不同，其单个设计的成功结合率为 22%—35%，而目前蛋白质设计项目的典型水平为 10%—15%。其中一些最强的设计，其结合强度是此前公开发表最佳结果的数倍。

第二项实验则评估 Claude 能否加速化学分析。

我们让一个已经向公众开放的通用模型 Claude Opus 5 分析 NMR 和 LC-MS 数据——这些数据能够帮助化学家判断所研究化合物的身份和纯度。

仅仅提供合同实验室的原始文件和两句话的提示词，Claude 就分别在 23 分钟和 19 分钟内返回了完整结果，并在氢原子数量和纯度方面与实验室自己的分析结果一致：纯度为 96.4% 对 96.33%。

这些案例表明，Claude 可以减少目前完成复杂科学任务所需要的时间和计算专业知识。

过去几个月，AI 驱动科学发现的速度明显加快。其中绝大多数发现发生在验证速度相对较快的领域。

例如在数学领域，AI Agent 已经开始攻克尚未解决的问题：一些存在数十年的 Erdős 问题正以每月数个的速度被解决。

我们最近也分享过 Claude 如何改进黎曼 ζ 函数一个长期存在的下界问题。

AI 模型也开始加速那些验证结果更加复杂、成本更高的实验领域，例如生命科学。

在这篇文章中，我们分享两项关于 Claude 科学能力的实验结果。

首先，我们介绍 Claude 在一次蛋白质设计项目中的表现。结果显示，Claude 能够针对各种不同目标设计蛋白质结合剂，其表现达到甚至超过领先的人类专家。

其次，我们分享 Claude Opus 5 在分析化学任务中的表现，展示通用访问模型如何帮助研究人员处理科研中那些日常、耗时的工作。

下面介绍的蛋白质设计和分析化学任务，是药物研发早期阶段部分工作的代表。

加速这些阶段，是我们推动整个药物开发流程提速这一更大努力的一部分。但药物研发中的很多瓶颈与核心科学能力的提升无关，而更多来自政策和运营层面的限制。

我们今天公布的结果，是通过结合 Mythos 和 Opus 模型获得的。

目前，生命科学研究任务在我们能力最强的模型中仍然受到限制。我们的最高优先级之一，是为科学家推出访问项目，我们预计很快会分享更多信息。

与此同时，Opus 5 仍然是我们目前能力最强的、面向公众开放的模型。

Claude 设计蛋白质

在宣布 Claude Mythos 5 时，我们曾分享过正在尝试利用该模型加速药物设计流程中的部分环节。

作为这项持续研究的一部分，我们一直在研究 Claude 为多个蛋白质目标设计 minibinder 的能力。

Minibinder 是一种体积较小、经过专门设计、能够紧密结合目标蛋白质的蛋白质。

结合是现代药物发挥作用的主要方式之一：药物与某个目标结合，从而抑制、激活某种功能，或者向目标递送某种物质。

设计一种全新的结合剂，也就是所谓的 de novo design（从头设计），过去针对每个目标通常需要蛋白质工程师进行数月的计算、优化和筛选。

近年来，能够设计蛋白质并判断哪些蛋白质最有可能结合目标的机器学习模型，大幅加快了蛋白质设计过程。

但这些模型通常仍然需要计算专家进行数天、甚至数周繁琐的任务编排。

虽然 Claude 这样的通用推理模型可以帮助专业人士和非专业人士更高效地完成蛋白质计算设计，但在湿实验室中验证这些数据——也就是科学家真正对化学品、药物和其他生物物质进行物理测试——仍然需要数周时间。

现在，我们已经获得了第一项实验的湿实验室数据。这是一项针对 15 个目标、使用 Claude Opus 4.8 和 Mythos Preview 开展的多路径蛋白质设计项目。

我们的外部评估机构 Adaptyv Bio 和 Twist Bioscience 独立地将 Claude 设计的蛋白质在实验室中生产并进行测试。

结果发现，在 15 个设计目标中，Claude 成功为 14 个目标设计出了结合剂。

其中至少有 6 个目标获得了高亲和力结合剂；至少有 4 个目标的结合剂达到了或超过此前公布的最佳结合亲和力。

亲和力衡量的是蛋白质与目标结合的强弱。高亲和力结合剂通常是实现治疗效果所必需的，因为它们能够让药物在更低剂量下发挥作用，从而降低副作用风险和生产成本。

当同时针对所有目标进行设计、运行时间为 48 小时时，Mythos Preview 和 Opus 4.8 的总体命中率——即最终确实能够结合目标的设计占全部设计的比例——分别为 26.7% 和 22.6%。

目前蛋白质设计项目的典型水平为 10%—15%。

在评估 Claude 同时针对多个目标进行设计的能力之后，我们希望进一步了解，如果让 Claude 一次只专注于一个目标，它的表现是否会更好，尤其是考虑到这种方式更接近蛋白质工程师通常采用的方法。

事实确实如此。

我们发现，在针对每个目标分别进行设计、并使用多个 24 小时任务的情况下，Mythos Preview 的总体命中率达到 35.1%。

Mythos Preview 和 Opus 4.8 针对 15 个目标的命中率均超过 20%，不同目标的命中率从最高 90% 到最低 0% 不等。

这项项目除了我们在最初提示词中提供的信息之外，几乎没有人工参与。

我们预计，如果由专业蛋白质设计人员参与并采用这种方法，结果可能会更好，尤其是当他们能够针对中间结果向 Claude 提供主动指导和反馈时。

实验过程

我们首先选择了多个经常用于蛋白质设计基准测试的目标，包括 Adaptyv Bio 的全部 BenchBB。

由于这些目标已经被广泛研究，我们可以将结果与已经发表的命中率和亲和力进行比较。

我们还选择了两个新的目标——15-PGDH 和 GDF-8——它们来自 Adaptyv Bio 最近举办的竞赛，以确保 Claude 能够针对那些不会直接依赖训练数据中或网络搜索里已有成功案例的目标进行设计。

对于所有目标，我们都要求 Claude 检查并确保自己的设计具有原创性。

随后，我们在 Claude Science 中提示 Claude 针对这些目标设计蛋白质结合剂。

我们采用了两种方法。

第一种是多目标模式，Claude 在一次 Claude Science 会话中同时针对所有目标进行设计。

第二种是单目标模式，每个会话只处理一个目标，而所有目标的会话并行运行。

我们让 Opus 4.8 和 Mythos Preview 以多目标模式运行 48 小时，并最多使用 12,500 个 NVIDIA H100 GPU 小时，用于运行专门的蛋白质设计和折叠模型。

同时，我们让 Mythos Preview 以单目标模式运行，每个目标最多运行 24 小时，并最多使用 2,500 个 NVIDIA H100 GPU 小时。

为了模拟典型蛋白质设计项目可以获得的资源，我们向 Claude 提供了：

• 一份完整的蛋白质设计提示词，并将其放入 Agent 上下文；
• 互联网访问权限，以及论文等蛋白质设计资源库；
• Google Drive、Slack、Gmail 和 BioRxiv 连接器；
• GPU，用于运行专业的蛋白质设计和折叠模型；
• 在规定时间内不限 Token 和子 Agent 预算，并开启快速模式。

给 Claude 提供提示词之后，我们让模型自主执行。

在启动项目之后，我们没有再提供任何额外的科学、技术或运营指导。

我们唯一参与的工作，是批准 Claude 提出的访问请求，例如网络访问请求，以及监控基础设施，确保这些会话正常运行。

Claude 独立完成了设计一个结合剂所需要的全部工作，而这些工作过去可能需要人类操作员花费数周时间。

它自行决定每一个蛋白质目标上应该针对哪个位置进行设计；生成候选结构和序列；编排多个结构设计、序列设计和共折叠模型——这些模型可以一次性预测蛋白质以及它所结合对象的结构；通过多轮计算进行体内模拟优化；并对新颖、多样，同时能够表达、保持可溶并实现结合的候选物进行计算筛选。

对于 15 个目标中的每一个，我们要求 Claude 设计 30 个蛋白质结合剂。

Claude 通过调用目前该领域已经在使用的公开专业蛋白质设计和共折叠模型完成了这一工作。

随后，我们将 Claude 的设计发送给 Adaptyv Bio 和 Twist Bioscience 进行实验验证。

Claude 成功编排多个开源蛋白质设计模型，以较高的成功率和较高的亲和力生成结合剂。a）Sankey 图展示结构设计、序列设计和优化轮次之间的组合方式。b、c）Claude 的设计命中率超过 20%，包括高亲和力结合剂；在所有获得至少 100 个订购设计的结构设计方法中均取得这一结果。

Claude 在这些目标上的表现

最终，我们针对 15 个目标中的 14 个目标产生了 354 个结合剂，总计完成 1,320 个设计。

这对目前公开可获得的 de novo 蛋白质设计数据集而言，是一个相当大的贡献。

例如，目前最大的两个集合——proteinbase.com 和 Overath 等人整理的数据集——针对 40 个目标，总共包含约 5,700 个设计，其中约 770 个是结合剂。

下面我们分享三个能够体现 Claude 能力的案例，以及一个展示其局限性的案例。

更多细节可以参见我们的技术报告。

Claude 的设计水平可以与 Adaptyv Bio 蛋白质设计竞赛的参赛者竞争

对于 Adaptyv Bio 曾经举办过竞赛的目标，我们发现 Claude 在命中率和亲和力两个方面都达到了或超过顶尖参赛者的水平。

以 RBX1 为例。这是一种能够驱动特定调控蛋白靶向降解的小型蛋白质。

Mythos Preview 在单目标模式下达到了 40% 的命中率，而参赛者的命中率为 3.7%。

Claude 排名最高的设计是一种高亲和力结合剂，其表现超过了获胜设计。

而那个获胜设计来自总计 245 个参赛设计。

Claude 针对 RBX1 设计出了具有业界领先亲和力的结合剂，并且其命中率经常超过 Adaptyv Bio 蛋白质设计竞赛中记录的水平。

Claude 针对 TNFα 设计出跨物种结合剂——这是一个具有挑战性且具有治疗价值的目标

有趣的是，针对 TNFα 这一目标取得成功的不是 Mythos Preview，而是 Opus 4.8。

这是一个多个专家团队都曾经难以攻克的目标。

TNFα 是一种由免疫系统释放、用于触发炎症反应的信号蛋白。

阻断 TNFα 是一些最具影响力药物发挥治疗作用的基础，其中包括 Humira（修美乐）。

这是一个很难进行设计的目标，因为它具有多聚体结构，需要针对两个蛋白质形成的沟槽中的结合位点进行设计。

虽然 Mythos Preview 没有成功，但 Opus 4.8 设计出了多个结合剂。

其中一些具有跨物种结合能力，可以同时结合人类、食蟹猴和小鼠的 TNFα，这对于动物实验非常重要。

我们并不确定为什么 Opus 4.8 能够成功完成这个目标，而 Mythos Preview 没有成功。

当我们评估模型能力时，会进行整体判断。

考虑到蛋白质设计本身的复杂性，一个总体能力较弱的模型在某些具体领域超过一个总体能力更强的模型，并不令人意外。

Opus 4.8 成功从头设计了 TNFα 结合剂，其中一些具有跨物种结合能力，可以结合人类、食蟹猴和小鼠 TNFα。

Claude 设计出了具有不同折叠结构、包含 β-折叠的结合剂

大多数计算设计出来的结合剂都是 α-螺旋束。

α-螺旋是一种由卷曲结构组成的蛋白质二级结构。

而 β-折叠则更加难以设计，也更容易出现错误折叠和聚集——也就是蛋白质分子彼此黏在一起，而不是保持独立并正确折叠。

Claude 针对 6 个目标设计出了 15 个经过实验确认的结合剂，其中至少含有 20% 的 β-链，证明它具备对蛋白质结构进行推理的能力。

Claude 针对 6 个目标成功设计出了 15 个包含 β-折叠的结合剂，使用了 10 种不同的骨架结构。

Claude 在一些目标上仍然遇到了困难

一些目标仍然是 Claude 的挑战，包括 BBF-14 和麦芽糖结合蛋白（MBP）。

BBF-14 是一种自然界不存在的 β-桶形蛋白质。

它本身就是通过 de novo 方法设计出来的，现在之所以被用于结合剂设计基准测试，正是因为它具有很高的新颖性。

MBP 的结构同样非常困难。

MBP 是一种体积较大、结构灵活的细菌蛋白，其表面光滑且亲水，因此很适合作为实验室试剂。

但这也意味着结合剂几乎没有可以“抓住”的位置。

Claude 最终仍然产生了 3 个独立的 BBF-14 结合剂——三个设计路径各有一个，而且每个都建立在不同的骨架结构上——其亲和力处于亚微摩尔到微摩尔水平。

然而，在针对 MBP 的 90 个设计中，没有一个被确认能够与目标结合，尽管其中一个表现出了微弱但可重复的结合信号。

Claude 在针对 BBF-14——一种 de novo 设计的 β-桶形蛋白质——以及麦芽糖结合蛋白（MBP）设计蛋白质结合剂方面取得的成功有限。

为了更好地理解 Claude 在这些设计项目中的表现，我们计划进一步进行更全面的表征实验，以确认命中率和亲和力测量结果。

与此同时，我们公布了此次项目使用的提示词，以及我们生成的全部体外和计算数据。

Agentic 生物发现具有双重用途

AI 模型日益增强的自主科研能力，无疑将加快人类治疗方法和基础科学发现的发展。

然而，这些能力也具有双重用途。

如果缺乏强有力的安全措施，它们可能使不法行为者开展危险研究，例如开发生物武器。

在我们通过可信访问项目安全地提供这些能力的同时，蛋白质设计以及其他具有双重用途的研究型生物学能力，目前仍无法通过 Claude Fable 5 向普通用户开放。

不过，正如下面将展示的那样，我们的 Opus 系列模型已经能够完成令人瞩目的科学工作。

Claude 执行分析化学工作流

蛋白质结合剂实验测试的是 Claude 设计新分子的能力。

第二项实验则测试了 Claude 对已经制造出来的分子进行测量结果分析的能力。

对化合物进行表征是一项繁琐的工作。

与蛋白质设计类似，它需要化学家反复进行测量、分析和迭代。

例如，每当化学家制造出一个分子，都必须确认它是否就是自己想要制造的东西，以及它的纯度有多高。

通常情况下，这通过核磁共振（NMR）光谱完成。

NMR 光谱由一系列峰组成，每个峰对应分子中的一个氢原子，或者一组等价的氢原子。

峰的位置告诉化学家每个氢原子连接在什么位置，而峰的大小则表示它代表多少个氢原子。

确认分子结构是合成化学中最耗时的步骤之一。

对于每个化合物，化学家都必须手动将光谱中的每一个峰与拟议结构中的某个原子对应起来。

另一种技术是液相色谱-质谱（LC-MS），主要用于评估纯度。

它首先让样品流经色谱柱，将样品分离成不同组分；然后根据紫外吸收测量每种组分的含量；最后测量每种组分的分子质量。

对于这两种技术而言，仪器本身运行所需时间其实只有几分钟：

• 常规质子 NMR 光谱大约需要 2—3 分钟；
• LC-MS 运行大约需要 10 分钟。

真正繁琐的是分析输出结果。

NMR 和 LC-MS 运行完成后，每台仪器都会生成一个采用厂商专有格式的原始文件。

这些文件通常需要通过仪器厂商的软件或其他专业软件打开。

考虑到处理和解释这些文件需要大量工作，我们希望了解像 Claude Opus 5 这样的通用模型能够在这项任务中做到什么程度。

我们只向 Claude 提供了一家合同实验室针对常规质量控制样品生成的原始文件，以及一个简短的自然语言提示词。

没有厂商软件，也没有人工操作员。

Claude 在 Claude Science 中运行，分别在 23 分钟和 19 分钟内处理完 NMR 和 LC-MS 数据，并且两个任务是并行进行的。

结果与实验室自己的处理结果一致：

• 每个峰对应的氢原子数量，与实验室结果相比误差不超过 0.08 个 ¹H；
• Claude 测得的纯度为 96.4%；
• 实验室测得的纯度为 96.33%。

实验室发来的原始数据，以及 Claude 23 分钟后返回的结果。左：仪器输出的原始 NMR 信号。右：处理后的光谱，每个峰均已定位，并计算出对应的氢原子数量。

对于 NMR 数据，Claude 将仪器的原始数据转换成经过校准的光谱，并生成了一张包含 18 个峰的表格，为每个峰标注了氢原子数量。

随后，就像化学家通常会做的那样，它将其中 4 个宽峰标记为可能连接在氮或氧上的氢。

随后，它提出了一个标准验证方法：向 NMR 样品中加入重水。

重水会将这些氢原子置换出来，使相应峰缩小或消失。

实验室独立地在第一次测量 3 天后进行了完全相同的验证。

在获得重水实验的原始文件后，Claude 对数据中的变化进行了定量分析。

它发现并纠正了自己第一次分析中的一个错误：第一次分析认为 4 个被标记的峰全部消失，但通过自己的复核，它发现实际上只有 2 个消失。

最终，它得出了与实验室操作员相同的结论。

左：LC-MS 运行完成后的原始文件，它是一串采用厂商专有格式保存的原始字节数据，只能通过厂商软件读取。右：Claude 在 19 分钟后从中恢复出的色谱图：在 4.34 分钟处出现一个单一组分，占紫外信号的 96.4%，分子质量为 504 道尔顿。

LC-MS 仪器文件采用一种未公开的厂商专有格式。

Claude 首先推断出数据的编码方式。

然后，它通过重新生成仪器记录的全部 2,664 次扫描的总计数据，确认自己正确读取了文件。

之后，它提供了一名化学家通常需要的全部输出，包括：分离曲线；质谱；紫外光谱；纯度表；化合物分子质量；用于读取这类文件的可复用代码；以及它自己列出的结果可信度限制。

例如，它指出，这类仪器只能将质量精确到最接近的整数单位。

通常情况下，这些分析全部由化学家手工完成。

对于具有治疗价值的小分子，每个样品通常需要 30 分钟到 1 小时。

实验室自己的记录显示，每张 NMR 光谱大约需要 2 分钟人工处理时间，而 LC-MS 报告则通常在样品被放入仪器后约 2 小时才能完成。

Claude Science 在这 25 分钟内并行处理并解释了两个文件。

Claude 同时生成了一份书面报告。

相比之下，这个样品的实验室最终报告是在第一次获得光谱后 4 天才完成。

考虑到实验室一次只分析一个分子，中间还可能出现其他工作，这种延迟其实相当普遍。

除了效率提升之外，Claude 的运行还展现了一定程度的科学判断能力。

例如，它提出了与合同实验室独立进行的完全相同的后续实验。

随着这些模型继续进步，我们预计 Claude 的科学判断能力还会进一步增强。

如果你希望自己在 Claude Science 中尝试，可以向 Claude 提供一个原始 NMR 或 LC-MS 文件，并要求模型确认化合物的身份和纯度。

结论

上面的两个案例都展示了 AI 模型如何通过降低科学发现所需要的专业知识、成本和时间，加速生命科学研究。

在化学领域，Claude 正在自动化过去由化学家手工完成的分析工作。

在蛋白质设计领域，Claude 可以在极少人工输入的情况下，端到端执行结合剂设计项目，并生成达到或超过此前公开发表最佳设计水平的结合剂。

蛋白质 minibinder 并不是一种标准的药物治疗方式。

即便对于单克隆抗体和小分子等常见药物类型而言，设计出一个高亲和力结合剂，也只是产生药物样分子过程中的第一步。

不过，我们认为这项工作具有基础性意义，并正在进一步扩展，使 Claude 能够针对所有药物类型，端到端执行完整的药物开发流程。