Anthropic炸场AI制药！Claude自主设计蛋白，成功率高达93%，23分钟搞定化学家数天工作

就在几天前，Anthropic创始人Dario Amodei发文，将更多资源投向医疗健康，未来5-10年AI将治愈绝大多数疾病。

今天，Anthropic就秀出了早期药物研发中的新成果！

通过使用 Claude Mythos Preview、Opus4.8 模型，依托Claude Science工作台，几乎无需人工干预就能自主进行蛋白设计。

作为直观演示，研究团队利用AI设计出自然界本不存在的全新蛋白，直接拼出了 “Anthropic” 的品牌名称。

Anthropic 自研全新蛋白结构示意

更严肃的测试下，Anthropic还委托外部机构 Adaptyv Bio、Twist Bioscience 完成湿实验合成与验证。

所有实验中，一共测试15个蛋白靶点，Claude成功为14个设计出有效结合蛋白，靶点成功率高达93%。

根据不同的设置，其设计的蛋白质结合成功率在22%到35%之间，而目前蛋白质设计项目的结合成功率通常为10%到15%。

Anthropic表示，一些蛋白质结合能力最强的设计甚至比之前发表的最佳结果还要强数倍。

甚至针对RBX1（E3 泛素连接酶的核心组件）的设计中，Claude以高达40%的命中率，直接碾压人类的3.7%。

不仅如此，Claude直接将原来需要化学家数天的工作，极限压缩到23分钟！

但是，按照Anthropic作风，Claude Fable 5的蛋白质设计能力肯定是不对外公开的，仅通过可信访问计划安全提供。

但毋庸置疑，Opus级模型已展现出卓越的自主科研潜力。

而报告末尾，则暴露了Anthropic在药物研发中的野心——

公司正在拓展能力，使Claude能够完成所有药物模式的端到端开发流程。

Claude设计蛋白质，首次获得实验验证

迷你蛋白（minibinders），兼具了小分子药物的穿透性和抗体药物的高特异性，成为蛋白质基础研究中重要的方向。

Anthropic 拿Claude Opus 4.8、Mythos Preview 两个模型，针对15个靶点设计了一系列模拟蛋白。

紧接着，交由 Adaptyv Bio、Twist Bioscience 两家机构独立合成并开展湿实验验证。

实验采用两种模式并行推进。

多靶点模式下，Claude 在单次 Claude Science 会话中同时针对全部靶点进行设计；单靶点模式下，每个靶点单独开启一个会话并行运行。

需要提前说明的是，为模拟真实蛋白质设计流程中的可用资源，团队为 Claude 配备了以下能力：

包含上下文的蛋白质设计提示词；

互联网访问权限及海量蛋白质设计文献资源；

Google Drive、Slack、Gmail、BioRxiv 等工具；

GPU 调用权限，可运行专业蛋白质设计与折叠模型；

无限量Token和智能体额度，量大管饱，启用快速模式；

提示词结构图

指令下达后，团队让 Claude完全自主执行任务，启动后不提供任何额外的科学、技术或操作指导。

结果相当亮眼：15个靶点里，Claude为14个靶点设计出具备结合能力的蛋白。

其中至少6个靶点实现高亲和力，4个靶点的亲和力已经追平甚至超过公开报道的最优结果。

高亲和力意味着药物可以用更低剂量起效，既能降低副作用，也能压缩生产成本。

Anthropic表示，在 48 小时内多靶点并行设计模式下，Mythos Preview总体命中率26.7%，Opus4.8为22.6%；而行业传统蛋白设计项目普遍命中率只有10—15%。

Mythos Preview 和 Opus 4.8 在 15 个目标中实现了 20% 以上的命中率，目标级别的命中率最高可达90%，最低可达 0%。

Mythos Preview和Opus 4.8在15 个目标中实现了20%以上的命中率，靶点命中率最高可达90%，最低可达0%。

评估了多靶点能力后，研究团队还模拟真实蛋白质工程师工作模式，让模型分多次 24 小时会话，每次聚焦单一靶点单独设计。

这套模式下 Mythos Preview 命中率进一步拉升到35.1%，展现出通用大模型在生命科学领域的巨大潜力。

10倍高于人类科学家

一旦AI设计新的蛋白质，用户说了不算，必须交由实验验证。

Anthropic选择了Adaptyv Bio，这是一家蛋白质云实验平台。用户可以直接在线提交蛋白质序列，再由Adaptyv Bio来完成实验验证。

针对蛋白质设计，Adaptyv Bio还经常举办开放竞赛，也能够直观的比较AI的能力。

为此，Claude从Adaptyv Bio平台选取一些，再加上竞赛中选择了两个新的靶点15-PGDH和GDF-8，累计构成了15个靶点。

针对15个靶点，Claude总计筛选1320个设计，验证出354个有效结合分子。这一成果极大丰富了ProteinBase等针对蛋白质设计的数据库。

硬刚人类高手，单靶点命中率40%vs人类3.7%

Claude在命中率和亲和力方面，也表现出了冠军级实力。

针对RBX1，这是一种E3泛素连接酶复合物的核心组件，它直接决定了蛋白质降解是否起作用。

Mythos Preview在单靶点模式下达到了40%的命中率，而其他参赛者的命中率仅为3.7%。

其排名最高的设计是一种高亲和力蛋白质，其性能优于最终的获胜设计，要知道，该获胜设计是从245个参赛设计中选出的。

Claude 设计出对 RBX1 具有最先进亲和力的结合物，并且经常超越 Adaptyv Bio 蛋白质设计比赛中记录的命中率

极具戏剧性的是，在具有重大治疗意义的TNFα靶点上，整体表现更强的Mythos Preview意外翻车，反而是Opus 4.8成功突围。

TNFα作为触发炎症反应的关键信号蛋白，其多聚体结构和凹陷的结合位点让众多专家团队铩羽而归（阻断TNFα正是修美乐等重磅药物的基石）。

针对TNFα，Opus 4.8不仅设计了多种有效蛋白质结合剂，其中部分还具备跨物种活性——能同时结合人、食蟹猴和小鼠细胞，为后续动物实验铺平了道路。

Opus 4.8 成功设计了针对 TNFα 的全新结合剂，其中一些具有交叉反应性

团队坦言，目前尚不清楚为何Opus 4.8在此靶点上更优秀，这恰恰反映了蛋白质设计的内在复杂性：特定领域内，综合评分较低的模型可能反而表现更优。

攻克二级结构：β-折叠设计多达15种

大多数计算设计的迷你蛋白偏爱α-螺旋结构，而β-折叠因链状氨基酸需平行排列，极易错误折叠和聚集，设计难度指数级上升。

Claude此次证明了其强大的结构推断能力。

针对6个靶点，成功设计出15个经湿实验验证的结合剂，且这些蛋白质均含有至少20%的β-折叠结构，覆盖10种不同的蛋白质骨架。

Claude 成功设计了 15 种结合剂，跨越 10 个不同的骨架

越不过去的砍：BBF-14勉强及格，MBP全军覆没

尽管战绩斐然，Claude仍有两个“攻克失败”的靶点。

BBF-14是一种自然界不存在的从头设计β-桶状蛋白，因其极高新颖性被用作基准测试。

Claude仅产出3个独立结合剂，亲和力仅为亚微摩尔至微摩尔级，表现中规中矩。

而麦芽糖结合蛋白（MBP）则成了真正的噩梦——这种大型柔性细菌蛋白表面光滑且亲水，几乎无可供结合的位点。

Claude 在设计针对 BBF-14和麦芽糖结合蛋白 (MBP) 的蛋白质结合剂方面取得了有限的成功

Claude针对MBP设计的90个分子中，无一成功结合，仅有一个展现出微弱且可重复的信号。

值得注意的是，Anthropic 同步公开了整套实验的算力消耗指标。

多靶点联合实验，调用 Opus 4.8与 Mythos Preview 并行运行48小时，峰值占用 NVIDIA H100 总算力12500小时。

单靶点运行使用 Mythos Preview，每靶点24小时，H100 计算时间最高达 2,500小时。

也就是说，这套自主科研智能体需要长周期大规模 GPU 支撑，高命中率仍伴随不菲算力成本。

23分钟破解化学分析

如果说从零设计蛋白质考验的是AI的创造力，那么AI解析化学分析，考验的就是工程能力了。

Claude直接将原来需要化学家数个小时的工作，极限压缩到23分钟。

化合物表征是一项繁琐的工作；与蛋白质设计类似，它需要化学家进行多轮测量、分析和迭代。

化学家拿到新分子后，需要通过核磁共振（NMR）确定结构，还需借助液相色谱-质谱联用（LC-MS）评估纯度。

两种技术的仪器测量时间很短，常规质子NMR仅需2-3分钟，LC-MS约10分钟。

但真正的痛点在于后续分析。

每台仪器生成的是厂商专有的原始文件格式，必须用特定软件打开。更重要的是，化学家需要手动将每个峰与分子结构中的原子一一对应，整个过程动辄半小时到一小时。

然而，Claude Opus 5仅凭原始仪器文件和一段通俗提示词，就将NMR分析耗时23分钟，LC-MS分析耗时19分钟

Claude在Claude Science内部并行处理，NMR分析耗时23分钟，LC-MS分析耗时19分钟，结果惊人地准确：

NMR：每个峰的氢原子计数与实验室结果偏差仅0.08 ¹H以内，达到人工资深分析师水准；

LC-MS：纯度为96.4%，与实验室报告的96.33%几乎完全一致。

与之形成鲜明对比的是传统 CRO 的交付节奏：同一份样品，从拿到第一张谱图算起，完整报告交付要等到四天之后。

考虑到实验室一次只分析一个分子，再叠加项目排期，这一延迟已是行业常态。

这意味着，不靠第三方解析软件、不用人工转格式、不需要化学家分步操作，Claude自主完成文件解析以及报告全流程。

Anthropic是怎么做的？

面对NMR原始信号，Claude 先输出校准谱图与含 18 个峰、附带氢计数的表格，再像资深化学家一样标出4处宽峰，推断对应氢连在氮、氧上，并给出重水交换验证方案。

有意思的是，实验室时隔三天才完成同款重水验证。Claude 拿到复测原始数据后，量化比对差异，修正了最初的误判。原先以为4个峰都会消失，实际仅 2 个，最终结论和实验人员一致。

实验室发送的数据，以及Claude23分钟后返回的数据。（左图）仪器输出的原始核磁共振信号；（右图）处理后的谱图

而LC-MS 原始文件是厂商的闭源格式，Claude的做法相当硬核。

它先自行研究数据编码方式，在分析之前通过重现仪器记录的全部2664次扫描结果来验证文件读取是否正确。确认无误后，才输出化学家所需的所有信息。

甚至Claude还给出可复用解析代码，并补充结果适用边界，比如该仪器仅能输出整数质量。

（左图）LC-MS 运行的原始数据文件，格式仅供制造商的软件读取。（右图）19 分钟后，Claude中提取的色谱图
效率之外， Claude 还体现出科学推理能力，自主设计出和第三方实验室一致的验证实验。
随着模型迭代，这类科学判断力还会持续增强。

Anthropic，向医疗健康冲锋

Anthropic总结道，上述两个案例展示了AI模型如何通过降低专业知识门槛、缩减时间成本、减少人工投入来加速生命科学领域的研究。

蛋白质设计：Claude以极少人工输入完成从头到尾的结合物设计，性能比肩甚至超越人类竞赛冠军。

化学分析：Claude实现了以往由化学家手工完成的谱图解析自动化，23分钟完成数天周期的工作。

当然，设计出高亲和力的迷你蛋白只是万里长征的第一步，而化学分析也仅仅是一个简单环节。

但Anthropic仅仅只是为了验证模型能力，公司真正的意图在于，让Claude能进行所有药物的端到端开发。

最终，实现创始人Dario所预言的，未来10年治愈人类大部分疾病。

Anthropic已经行动起来了。

此前，Anthropic推出了专为科学研究打造的新产品Claude Science， 这是一款类似于编程工具Claude Code的AI工作台。

这一产品，直接指向AI4S的基础建设层。

Anthropic还释放出了更重磅的信号：他们要亲自下场做药了。

Anthropic正在大量招募实验室科学家，建立属于自己的生物研究团队，其野心和团队规划已经越来越接近于一家真正的AI制药公司，自然也引起了相当多药企的危机感。

据报道， Anthropic正在自己搭建药物管线，首先瞄准罕见病。

如果成功，Anthropic的角色就不再只是一家AI模型公司。

— The End—