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。
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。
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。
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%。
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。
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 TNF α。
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。
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）。
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。
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。
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
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
点亮星标
科技前沿进展每日见
