Claude 如何加速蛋白质设计与分析化学

摘要： 在这篇帖子中，我们分享了两个结果，展示了Claude如何帮助生命科学家加速他们的研究。在第一个例子中，我们测试了Claude从头设计蛋白质结合体的能力，这是一项代表药物设计早期关键任务的典型工作，并且历史上每个目标都需要专家几周或几个月的时间。Claude（Mythos预览版和Opus 4.8）针对15个目标设计了蛋白质结合体，其中14个取得了成功。在22%到35%的设计中，根据设置的不同，其单个设计成功结合，而目前蛋白质设计活动中的成功率通常是10-15%。它的一些最强设计比之前发表的最佳结果结合得更紧密几倍。在第二个例子中，我们评估了Claude是否可以加速化学分析。Claude Opus 5是一个通用可用的模型，它被给出了NMR和LC-MS数据（化学家用来评估他们所处理化合物的身份和纯度的数据）。只需提供合同实验室的原始文件和一句话提示，Claude在23分钟和19分钟内返回了完成结果，与实验室自己的氢计数和纯度分析相匹配（96.4%与96.33%）。这些例子展示了Claude如何减少目前完成复杂科学任务所需的时间和计算专业知识。

过去几个月中，人工智能驱动的发现的步伐加快了。这些发现的大部分都是在验证相对较快的领域。例如，在数学领域，代理已经开始处理未解决的问题：Erdős问题已经存在了几十年，每个月都在以几个的速度减少，我们最近分享了Claude如何改进了黎曼ζ函数的长期下限。

人工智能模型也开始加速在验证结果更复杂和昂贵的实验领域的进展，例如在生命科学领域。在这篇帖子中，我们分享了关于Claude科学能力的两个实验结果。首先，我们展示了Claude在蛋白质设计活动中的表现，表明Claude可以像（甚至比）领先的人类专家一样（甚至更好）针对各种目标设计蛋白质结合体。其次，我们分享了Claude Opus 5在一个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的常规和时间密集方面。

下面描述的蛋白质设计和分析化学任务是构成药物开发早期阶段某些部分工作的一些代表性工作。加速这些阶段是我们更大努力的一部分，旨在端到端加速药物开发，其中许多方面更多地与政策和运营瓶颈有关，而不是核心科学能力的改进。

我们今天分享的结果是通过我们的Mythos和Opus模型组合获得的。虽然目前我们的最强大模型中生命科学研究任务被阻塞，但我们的最高优先级之一是启动一个科学家访问计划，我们预计很快会分享更多关于这方面的信息。在此期间，Opus 5仍然是我们最强大的通用可用模型。

Claude设计蛋白质

当我们 宣布 Claude Mythos 5 时，我们分享了我们在加速药物设计过程的部分方面对模型进行了实验。作为这项工作的持续部分，我们已经研究了 Claude 设计针对多种蛋白质靶点的迷你结合体的能力。迷你结合体是一种小蛋白质，设计用来紧密地附着在靶点蛋白质上。结合是现代大部分药物发挥作用的方式：它们附着在靶点上并抑制、激活或向其传递某些物质。设计新的结合体（称为 de novo 设计）在历史上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序哪些最有可能结合的机器学习模型大大加快了蛋白质设计过程。但这些模型通常仍需要计算专家数天（通常需要数周）的辛勤协调。尽管像 Claude 这样的通用推理模型可以帮助专家和非专家更有效地进行蛋白质计算设计，但在湿实验室（科学家在那里物理测试化学品、药物和其他生物物质）中验证这些数据仍然需要数周时间。

我们现在收到了这些实验中第一个实验的湿实验室数据，这是一项针对 15 个靶点的多臂蛋白质设计活动，使用 Claude Opus 4.8 和 Mythos Preview。我们的外部评估者，Adaptyv Bio 和 Twist Bioscience，独立地在实验室中生产和测试了 Claude 的设计，发现在我们设计的 15 个靶点中，Claude 成功设计了针对其中 14 个靶点的结合体。这包括针对至少六个靶点的高亲和力结合体¹，以及针对至少四个靶点具有与最佳报告亲和力相当或更高的结合体。亲和力是衡量蛋白质与其靶点结合强度的指标；高亲和力结合体通常需要达到治疗效果，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制造成本。

Mythos Preview 和 Opus 4.8 在 48 小时会话中同时设计所有靶点时，分别实现了 26.7% 和 22.6% 的总体命中率——即设计中实际是结合体的比例。目前蛋白质设计活动中的典型命中率在 10% 到 15% 之间²。

在评估 Claude 设计多个靶点的能力后，我们想了解是否让它一次专注于一个靶点会提高其性能，尤其是考虑到这更好地代表了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 小时会话分别设计每个靶点时，实现了 35.1% 的总体命中率。

这次活动除了我们在初始提示中提供给 Claude 的信息 (链接) 之外，几乎没有人参与³。我们预计，在专家蛋白质设计师手中，这种方法会带来更强的结果，尤其是如果他们能对中间结果提供主动指导和反馈。

这次活动

我们开始了蛋白质设计活动，通过选择多个在蛋白质设计基准中常用的目标⁴，包括Adaptyv Bio的所有BenchBB。由于这些目标已经被广泛研究，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Adaptyv Bio最新竞赛中的两个新目标，15-PGDH和GDF-8，以确保Claude能够设计针对目标，而无需依赖其训练数据中的预先记录的成功或在线搜索（对于所有目标，我们要求Claude检查并确保其设计是原创的）。

然后我们提示Claude在Claude Science中针对这些目标设计蛋白质结合剂。为此，我们采取了两种方法。第一种是多目标模式，Claude在单个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，其中每个会话处理一个目标，所有目标的会话并行运行。

我们以多目标模式运行Opus 4.8和Mythos Preview，使用48小时的墙时间和最多12,500小时的NVIDIA H100计算时间来运行专门的蛋白质设计和折叠模型。我们还以单目标模式运行Mythos Preview，每个目标使用24小时的墙时间和最多2,500小时的NVIDIA H100计算时间。⁵

为了模拟典型蛋白质设计活动期间可用的资源，我们给了Claude以下内容：

1. 一个广泛的蛋白质设计提示⁶，该提示也包含在代理上下文中；
2. 互联网访问和蛋白质设计资源库，如论文；
3. Google Drive、Slack、Gmail和BioRxiv的连接器；
4. 运行专门的蛋白质设计和折叠模型的GPU访问权限；
5. 在规定时间内不受token和子代理预算限制，并启用了快速模式。

在给出提示后，我们让模型自主执行。在我们启动活动后，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（如网络访问请求）并监控基础设施以确保会话正常运行。Claude完成了设计结合剂所需的所有工作，这通常需要人类操作员数周时间。它选择了在每种蛋白质目标上的设计位置；通过协调多个结构设计、序列设计和共折叠模型（这些模型在一次运行中预测蛋白质及其结合物的结构）来生成候选结构和序列；将设计通过多次in silico优化；并计算筛选出新颖、多样的候选者，这些候选者可以表达、保持溶解并绑定。

对于每个15个目标，我们要求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门蛋白质设计和共折叠模型来完成这项工作。Claude的设计随后被发送到Adaptyv Bio和Twist Bioscience进行验证。

Claude在目标上的表现

在本项目结束时，我们针对15个目标中的14个，使用总共1,320个设计方案生产了354个结合体。这为公开可用的de novo蛋白质设计方案总库做出了重大贡献；例如，两个最大的方案库proteinbase.com和由Overath等人整理的方案库，包含大约770个结合体，这些结合体针对40个目标中的5,700个设计方案。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。更多细节可以在我们的技术报告中找到（链接）。

Claude的设计方案与Adaptyv Bio的蛋白质设计竞赛中的参赛方案具有竞争力

我们发现，对于Adaptyv Bio举办过竞赛的目标，Claude在命中率和亲和力方面表现与顶尖参赛者相当或更优。针对RBX1（一种驱动特定调节蛋白靶向破坏的小蛋白），Mythos Preview在单目标模式下达到了40%的命中率，而参赛者的命中率仅为3.7%。其排名最高的设计方案是一种高亲和力结合体，其表现优于获胜设计，而获胜设计是245个参赛方案之一。

Claude设计了针对TNFα的物种交叉反应性结合体，TNFα是一个具有挑战性、具有治疗相关性的目标

有趣的是，成功的是Opus 4.8而不是Mythos Preview，在TNFα这个多个专家小组都难以应对的目标上。TNFα是由免疫系统释放的信号蛋白，用于触发炎症，阻断它是一些最有影响力的药物的治疗基础，包括Humira。由于它的多聚结构，设计针对TNFα具有挑战性，这需要针对由两个蛋白质形成的沟槽中的结合位点。尽管Mythos Preview未能成功，但Opus 4.8设计了多个结合体，其中包括一些跨物种有效的工作结合体，可以结合人类、食蟹猴和老鼠的TNFα，这对进行动物研究非常重要。我们不确定为什么Opus 4.8在这个目标上成功而Mythos Preview没有。当我们评估我们的模型的能力时，我们是从整体上进行的。考虑到蛋白质设计的固有复杂性，一个总体能力较弱的模型在某些特定领域仍然可以超过一个总体能力较强的模型，这并不令人意外。

Claude设计了具有β-折叠的多样性结合体

大多数计算设计的结合体是α-螺旋的束，α-螺旋是蛋白质二级结构的一种，由卷曲组成。β-折叠，其中必须并排排列的氨基酸链更难设计，并且更容易发生错误折叠和聚集（当蛋白质分子粘在一起而不是保持独立和正确折叠时）。Claude设计了在六个目标中至少包含20% β-链的15个确认结合体，展示了其推理蛋白质结构的能力。

Claude在一些目标上遇到了困难

某些目标对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是一种自然界不存在的β-桶形蛋白：它本身是从头设计的，现在它被用作结合体设计的基准，正是因为它的新颖性。MBP的结构也非常困难。MBP是一种大型的、灵活的细菌蛋白，具有光滑的、亲水的表面，使其成为良好的实验室试剂。这使得结合体几乎没有可以抓住的东西。Claude仍然设法生成了三个独立的BBF-14结合体——每个设计臂一个，每个都基于不同的骨架——具有适度（亚微摩尔到微摩尔）的亲和力。然而，对于MBP，90种设计中的没有一种被证实与目标结合，尽管其中一种显示出弱而可重复的结合信号。

为了更好地了解Claude在这些设计活动中的表现，我们打算通过更广泛的表征来跟随我们的实验，以确认我们的命中率和亲和力测量值。在此期间，我们正在分享我们用于这些活动时使用的提示，以及我们生成的所有体外和计算机模拟数据。⁷

智能代理生物学发现具有双重用途

AI模型日益自主的研究能力带来的提升无疑将加速人类疗法和基础科学发现的发展。然而，这种能力也是双刃剑：如果没有强大的安全措施，它们可能会使不良行为者进行危险的研究，例如生物武器的开发。在我们通过可信访问计划安全地提供这些能力的同时，蛋白质设计和其他双重用途的生物学研究能力仍然无法供一般访问者在Claude Fable 5中使用。然而，正如您将在下面看到的那样，我们的Opus级模型能够进行卓越的科学工作。

Claude运行分析化学工作流程

蛋白质结合体活动测试了Claude设计新分子的能力，而第二个实验测试了它解释已经制成的分子的测量的能力。表征化合物是一项繁琐的工作；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。例如，每当化学家创建一个分子时，他们都必须确定它是否是他们打算生产的，以及它的纯度。这通常通过核磁共振（NMR）光谱学来完成。NMR光谱是一系列峰，每个峰对应分子中某个位置的氢原子，或一组等效氢。峰的位置显示了化学家每个氢原子连接的是什么，峰的大小显示了它代表多少个氢原子。确认结构是合成化学中最耗时的步骤之一；对于每个化合物，化学家必须手动将光谱中的每个峰与所提出的结构中的原子进行匹配。

The其他技术，主要用于评估纯度，是液相色谱-质谱联用技术（LC-MS），它首先将样品在通过柱子时分离成各个成分，然后根据其紫外吸收记录每种成分的含量，最后测量每种成分的分子量。对于这两种技术，仪器运行本身只需要几分钟（常规质子NMR谱需要两到三分钟；LC-MS运行大约需要10分钟）。繁琐的部分是分析输出。NMR和LC-MS运行后，每种仪器都会生成一个原始文件，该文件采用制造商自己的格式，旨在在该制造商（或其他专业）的软件中打开。⁸

鉴于处理和解释这些文件需要多么细致，我们想知道像Claude Opus 5这样的通用模型在这项任务上的表现如何。⁹ 仅提供合同实验室的常规质量控制样品的原始文件和一个简短的平语言提示¹⁰，没有供应商软件和操作员，Claude在Claude Science中并行返回处理后的NMR和LC-MS结果，分别用了23分钟和19分钟。其结果与实验室自己的处理结果一致——每个峰的氢计数在实验室的0.08 ¹H以内，其纯度测量为96.4%，而实验室的纯度为96.33%。

对于NMR数据，Claude将仪器的原始数据转换为校准光谱和18个峰的表格，每个峰都有一个氢计数。接下来，像化学家一样，它将四个宽峰标记为可能连接到氮或氧上的氢。然后，它提出了标准检查：向NMR样品中加入重水，这会交换那些氢，使它们的峰缩小或消失。（独立地，实验室在第一次测量后三天运行了相同的检查。）给定重水运行的原文件，Claude量化了数据中的变化，捕获并纠正了第一次阅读中的高估（它的第一次遍历报告说所有四个标记的峰都消失了，但它自己的自我检查表明只有两个消失了），并得出了与实验室操作员相同的结论。

LC-MS仪器文件使用一种未公开的供应商格式。Claude弄清楚了数据的编码方式，然后通过重现仪器记录的所有2,664次扫描的总计来确认它已正确读取文件，然后再分析任何内容。然后，它提供了化学家会期望的所有输出：分离轨迹、质谱和紫外光谱、纯度表、化合物的分子量，以及用于读取此类文件的可用代码，以及它自己的关于结果可信度的注意事项列表（例如，它指出这类仪器给出的质量仅精确到整数单位）。

通常，化学家通过手工完成所有这些分析。对于具有治疗相关性的小分子，这通常需要每个样品花费半小时到一小时（实验室的记录显示，每个NMR谱的手工处理时间约为两分钟，而LC-MS报告在样品加载到仪器上大约两小时后完成）。Claude Science在25分钟内并行处理和解释了这两个文件。Claude还在同一时间内生成了书面报告，而实验室对此样品的最终报告在第一个谱图获取后四天才到达——考虑到他们一次分析一个分子，并且中间可能会出现其他工作，这是一个相当标准的延迟时间。

除了效率的提高，Claude的运行还显示出一定的科学判断力，例如，它提出了与合同实验室独立运行完全相同的后续实验。随着这些模型的不断改进，我们预计Claude的科学判断力将变得更加敏锐。

要在Claude Science中尝试这一点，给Claude一个原始的NMR或LC-MS文件，并要求模型确认化合物的身份和纯度。

结论

上述两个例子都展示了人工智能模型如何通过减少科学发现中涉及的专业知识、成本和时间来加速生命科学领域的研究。在化学领域，Claude正在自动化化学家历史上手工完成的分析。在蛋白质设计中，Claude可以执行端到端的结合器设计活动，只需极少量的输入，产生的结合器可以与甚至超过之前发表的最佳设计。

蛋白质小结合器并不是药物的标准治疗方式，即使是常见的药物方式，如单克隆抗体和小分子，设计高亲和力结合器只是生成药物样分子过程中的第一步。然而，我们认为这项工作是基础性的，并正在扩展它，以便Claude可以跨所有药物方式端到端地运行整个开发过程。

进一步阅读

以下是提供更多技术深度和关于上述结果更详细信息的文档列表：