2026年8月18日科学：Claude如何加速蛋白质设计与分析化学

# Claude 如何加速蛋白质设计与分析化学 来源：https://www.anthropic.com/research/Claude-accelerates-protein-design ***摘要：**在本文中，我们分享了两项成果，展示 Claude 如何帮助生命科学家加快研究进程。第一项成果中，我们测试了 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的一项关键任务，过去通常需要专家花费数周甚至数月时间针对每个靶点进行。Claude（Mythos Preview 和 Opus 4.8）针对 15 个靶点设计了蛋白质结合剂，并在其中 14 个靶点上取得成功。根据不同的实验设置，其单次设计的成功率在 22% 至 35% 之间，而当前蛋白质设计项目的典型成功率通常为 10-15%。其部分最佳设计的结合亲和力比以往已发表的最佳结果高出数倍。第二个例子中，我们评估了 Claude 是否能加速化学分析。通用模型 Claude Opus 5 接收了核磁共振（NMR）和液相色谱-质谱联用（LC-MS）数据（这些数据使化学家能够评估其工作的化合物的身份和纯度）。仅凭合同实验室的原始文件和一句两句话的提示，Claude 在 23 分钟和 19 分钟内返回了最终结果，在氢原子数量和纯度（96.4% 对比 96.33%）方面与实验室自身的分析结果一致。这些例子表明，Claude 如何能够减少在复杂科学任务中取得进展所需的时间和计算专业知识。 过去几个月，人工智能驱动的发现步伐有所加快。这些发现大多集中在验证相对较快的领域。例如在数学领域，智能体已经开始着手解决未解难题：存在数十年之久的埃尔德什问题（Erdős problems (https://openai.com/index/model-disproves-discrete-geometry-conjecture/)）正以每月数个的速度被攻克，我们最近还分享了 Claude 如何改进了黎曼ζ函数（Riemann zeta function (https://www.anthropic.com/research/riemann-zeta)）的一个长期下界。 人工智能模型也开始加速那些验证结果更为复杂和昂贵的实验性领域的进展，例如生命科学。在本文中，我们分享了关于 Claude 科学能力的两项实验结果。首先，我们介绍关于 Claude 在蛋白质设计项目中表现的调查结果，显示 Claude 设计针对多种靶点的蛋白质结合剂的能力与顶尖人类专家相当（甚至更好）。其次，我们分享了 Claude Opus 5 在分析化学任务上的表现，展示了通用访问模型如何支持研究中常规且耗时的部分。 下面描述的蛋白质设计和分析化学任务，代表了药物开发早期阶段工作的某些部分。加速这些阶段是我们为全面加速药物开发所做的更大努力的一部分，而药物开发的许多方面更多地与政策和运营瓶颈有关，而非核心科学能力的改进。 我们今天分享的成果是使用我们的 Mythos 和 Opus 模型组合获得的。虽然生命科学研究任务目前在我们最强大的模型中受到限制，但我们的最高优先级之一是为科学家推出一个访问计划，我们预计很快会分享更多相关信息。与此同时，Opus 5 仍然是我们最强大的通用模型。 ## **Claude 设计蛋白质** 当我们宣布 Claude Mythos 5 (https://www.anthropic.com/news/claude-fable-5-mythos-5) 时，我们分享了我们正在试验该模型以加速药物设计的部分流程。作为这项工作的持续部分，我们一直在研究 Claude 为多种蛋白质靶点设计微型结合剂（minibinder）的能力。微型结合剂是一种设计用来紧密结合目标蛋白质的小型蛋白质。结合是现代大部分药物的工作方式：它们附着到靶点上并抑制、激活或递送物质到靶点。设计新的结合剂（称为*从头*设计，*de novo* design）过去通常需要蛋白质工程师针对每个靶点进行数月的计算、优化和筛选。 近年来，能够设计蛋白质并排名哪些最可能结合的机器学习模型极大地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花费数天（通常数周）的繁琐编排。而且，尽管像 Claude 这样的通用推理模型可以帮助专家和非专家更高效地进行计算蛋白质设计，但在湿实验室（科学家在此实际测试化学品、药物和其他生物物质）验证数据仍然需要数周时间。 我们现在收到了首批此类实验之一的湿实验室数据回传，这是一个使用 Claude Opus 4.8 和 Mythos Preview 针对 15 个靶点进行的多臂蛋白质设计项目。我们的外部评估方——Adaptyv Bio (https://www.adaptyvbio.com/) 和 Twist Bioscience (https://www.twistbioscience.com/)——独立地在实验室制造并测试了 Claude 的设计，发现在我们设计的 15 个靶点中，Claude 成功地为其中 14 个设计了结合剂。这包括针对至少六个靶点的高亲和力结合剂，以及针对至少四个靶点匹配或超过已报道最佳亲和力的结合剂。亲和力是衡量蛋白质与其靶点结合强度的指标；通常需要高亲和力结合剂才能达到治疗效果，因为它们使药物在较低剂量下有效，从而降低副作用风险和生产成本。 Mythos Preview 和 Opus 4.8 在 48 小时会话中同时针对所有靶点进行设计时，实现了分别为 26.7% 和 22.6% 的总体命中率——即设计中实际成为结合剂的比例。目前蛋白质设计项目的典型命中率为 10% 到 15%。 在评估了 Claude 同时针对多个靶点的设计能力后，我们想了解让它每次专注于单个靶点是否会提高其性能，特别是考虑到这更符合蛋白质工程师通常采用的方法。确实，我们发现 Mythos Preview 在使用多个 24 小时会话针对每个靶点单独设计时，实现了 35.1% 的总体命中率。 图表显示总体命中率Mythos Preview 和 Opus 4.8 在一组 15 个靶点上实现了超过 20% 的命中率，单个靶点命中率范围从高达 90% 到低至 0%。 此项目是在我们最初提示信息之外的人为干预最少的情况下进行的。我们预计，在专业蛋白质设计师手中，这种方法会产生更强的结果，特别是如果他们就中间结果给予 Claude 积极的指导和反馈。 #### **项目实施** 我们开始蛋白质设计项目时，选择了多个在蛋白质设计基准测试中常用的靶点，包括 Adaptyv Bio 的所有 BenchBB 靶点 (https://www.adaptyvbio.com/blog/benchbb)。由于这些靶点已被广泛研究，我们可以将我们的结果与已发表的命中率和亲和力进行比较。我们还选择了来自 Adaptyv Bio 最新比赛的两个新靶点：15-PGDH (https://proteinbase.com/collections/berlin-bio-x-adaptyv-15-pgdh-binder-design-competition) 和 GDF-8 (https://proteinbase.com/collections/gdf-8-challenge-results)，以确保 Claude 能够针对靶点进行设计，而不依赖于其训练数据中的预录成功经验或在线搜索（对于所有靶点，我们都要求 Claude 检查并确保其设计是原创的）。 然后，我们在 Claude Science (https://www.anthropic.com/news/claude-science-ai-workbench) 中提示 Claude 针对这些靶点设计蛋白质结合剂。为此，我们采用了两种方法。第一种是多靶点模式，Claude 在单个 Claude Science 会话中同时针对所有靶点进行设计。第二种是单靶点模式，每个会话处理一个靶点，所有靶点的会话并行运行。 我们在多靶点模式下运行了 Opus 4.8 和 Mythos Preview，运行时间为 48 小时，最多可使用 12,500 NVIDIA H100 小时的计算资源来运行专门的蛋白质设计和折叠模型。我们还在单靶点模式下运行了 Mythos Preview，每个靶点的会话时间为 24 小时，最多可使用 2,500 NVIDIA H100 小时的计算资源。 为了模拟典型蛋白质设计项目中可用的资源，我们为 Claude 提供了： 1. 一个详尽的蛋白质设计提示，该提示也包含在智能体上下文中； 2. 访问互联网和蛋白质设计相关的资源库，如论文； 3. 与 Google Drive、Slack、Gmail 和 BioRxiv 的连接器； 4. 访问 GPU 以运行专门的蛋白质设计和折叠模型； 5. 在分配的时间内，对 Token 和子智能体预算不设限制，并启用快速模式。 在向 Claude 提供提示后，我们让模型自主执行。在项目启动后，我们没有提供任何额外的科学、技术或操作指导。 我们唯一的参与是授予访问批准（例如网络访问请求）并监控基础设施以确保会话正常运行。Claude 完成了设计结合剂的所有工作，这些工作如果由人类操作员完成通常需要数周时间。它选择在每个蛋白质靶点的哪个位置进行设计；通过编排多个结构设计、序列设计和协同折叠模型（这些模型能一次性预测蛋白质及其结合物的结构）来生成候选结构和序列；将设计通过多轮*计算机模拟*（*in silico*）优化；并进行计算筛选，找出能表达、保持可溶性并能结合的新颖、多样的候选物。 对于 15 个靶点中的每一个，我们都要求 Claude 设计 30 个蛋白质结合剂。Claude 通过操作该领域已经使用的公开可用的专用蛋白质设计和协同折叠模型来完成这项工作。Claude 的设计随后被送往 Adaptyv Bio 和 Twist Bioscience 进行验证。 桑基图展示 Claude 如何整合开源蛋白质模型Claude 成功编排了多个开源蛋白质设计模型，生成了具有高成功率和高亲和力的结合剂。a) 桑基图描绘了 Claude 的结构设计、序列设计和优化轮次的组合。b, c) Claude 为所有至少有 100 个预定设计的结构设计方法设计了命中率超过 20% 的结合剂，包括高亲和力结合剂。 ## **Claude 在靶点上的表现** 在此努力结束时，我们利用总计 1,320 个设计，为 15 个靶点中的 14 个生产了 354 个结合剂。这对公开可用的*从头*蛋白质设计总库做出了重大贡献；例如，两个最大的集合——proteinbase.com (https://proteinbase.com/) 和由 Overath 等人策划的集合 (https://www.biorxiv.org/content/10.1101/2025.08.14.670059v2)——包含约 770 个结合剂，来自针对 40 个靶点的 5,700 个设计。下面，我们分享三个突出 Claude 能力的例子，以及一个展示其局限性的例子。您可以在我们的技术报告（链接 (https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf)）中找到更多细节。 #### **Claude 的设计与 Adaptyv Bio 蛋白质设计竞赛中的参赛作品具有竞争力** 我们发现，对于 Adaptyv Bio 举办过竞赛的靶点，Claude 在命中率和亲和力方面均达到或超越了顶尖参赛者的水平。针对 RBX1（一种驱动特定调控蛋白靶向降解的小型蛋白质），单靶点模式下的 Mythos Preview 实现了 40% 的命中率，而参赛者的命中率仅为 3.7%。其排名最高的设计是一个高亲和力结合剂，超越了获胜设计（该设计是 245 个参赛设计之一）。 图表显示亲和力和总体表现Claude 设计的针对 RBX1 的结合剂具有最先进的亲和力，并且通常超越了 Adaptyv Bio 蛋白质设计竞赛中记录的命中率。 #### **Claude 针对具有挑战性且治疗相关的靶点 TNFα 设计了物种交叉反应性结合剂** 有趣的是，Opus 4.8（而非 Mythos Preview）在 TNFα 上取得成功，这是多个专家团队都曾 struggle 过的靶点。TNFα 是免疫系统释放的一种信号蛋白，可引发炎症，阻断它是包括 Humira 在内的一些最具影响力的药物的治疗基础。由于其多聚体结构，它是一个具有挑战性的设计靶点，需要靶向由两个蛋白质形成的凹槽中的结合位点。尽管 Mythos Preview 未成功，但 Opus 4.8 设计了多个结合剂，包括一些能跨物种起作用的结合剂，可结合人类、食蟹猴和小鼠的 TNFα，这对于进行动物研究非常重要。我们不确定为什么 Opus 4.8 在这个靶点上成功了而 Mythos Preview 没有。当我们评估模型能力时，我们进行的是整体评估。鉴于蛋白质设计的内在复杂性，在某些特定领域，一个整体能力较弱的模型可能仍优于通常更强大的模型，这并不奇怪。 图表显示 Opus 针对 TNFα 的工作Opus 4.8 成功设计了针对 TNFα 的从头结合剂，其中一些具有交叉反应性，可结合人类、食蟹猴和小鼠的 TNFα。 #### **Claude 设计了具有 β-折叠片的折叠多样性结合剂** 大多数计算设计的结合剂是 α-螺旋束，这是一种由卷曲组成的蛋白质二级结构。β-折叠片（其中延伸的氨基酸链必须并排排列）更难设计，并且更容易发生错误折叠和聚集（当蛋白质分子相互粘附而不是保持分离和正确折叠时）。Claude 在六个靶点上设计了 15 个确认的结合剂，这些结合剂含有至少 20% 的 β-折叠链，展示了其在推理蛋白质结构方面的能力。 图表显示 Claude 在 15 个结合剂上的表现Claude 成功设计了 15 个结合剂（跨越 10 种不同的骨架），具有 β-折叠片，针对六个靶点。 #### **Claude 在某些靶点上遇到了困难** 某些靶点对 Claude 来说仍然是一个挑战，包括 BBF-14 和麦芽糖结合蛋白（MBP）。BBF-14 是一种在自然界中不存在的 β-桶状蛋白质：它本身就是*从头*设计的 (https://www.nature.com/articles/s41586-024-07601-y)，现在因其新颖性而被用作结合剂设计的基准。MBP 的结构也尤其困难。MBP 是一种大型、柔性的细菌蛋白质，具有光滑、亲水的表面，使其成为良好的实验室试剂。这使得结合剂几乎没有可抓取的位点。Claude 仍然设法生产了三个独立的 BBF-14 结合剂——每个设计臂一个，每个都基于不同的骨架——具有适度的（亚微摩尔至微摩尔）亲和力。然而，针对 MBP，在 90 个设计中没有一个被确认能与靶点结合，尽管其中一个显示出微弱但可重现的结合信号。 图表显示 Claude 遇到困难的例子Claude 在设计针对 BBF-14（一种从头设计的 β-桶蛋白）和麦芽糖结合蛋白（MBP）的蛋白质结合剂方面收效有限。 为了更好地理解 Claude 在这些设计项目中的表现，我们计划在实验之后进行更广泛的表征，以确认我们的命中率和亲和力测量结果。同时，我们正在分享这些项目中使用的提示，因为我们