Claude 如何加速蛋白质设计与分析化学研究

视频 · 前往原文观看

摘要：在这篇文章中，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度。在第一项成果中，我们测试了 Claude 从零设计蛋白质结合物的能力，这是代表药物设计流程早期阶段的关键任务，历来需要专家针对每个靶点花费数周或数月时间。Claude（Mythos Preview 和 Opus 4.8）针对 15 个靶点设计了蛋白质结合物，其中 14 个靶点取得成功。根据设置不同，其单个设计中有 22% 至 35% 成功结合，而当前蛋白质设计项目中的典型成功率仅为 10-15%。其一些最强设计在结合紧密程度上比此前发表的最佳结果高出数倍。在第二项成果中，我们评估了 Claude 能否加速化学分析。Claude Opus 5 是一款普遍可用的模型，我们向其提供了 NMR 和 LC-MS 数据（这些数据可让化学家评估所处理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词，Claude 分别在 23 分钟和 19 分钟内返回了完成结果，在氢原子计数和纯度方面与实验室自身的分析结果一致（96.4% 对 96.33%）。这些示例表明，Claude 如何减少当前在复杂科学任务上取得进展所需的时间和计算专业知识。AI 驱动的发现速度在过去几个月里有所加快。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，智能体已开始攻克未解问题：悬而未决数十年的 Erdős 问题正以每月数个的速度被解决，我们最近还分享了 Claude 如何改进了黎曼 zeta 函数上一个长期存在的下界。

AI 模型也开始加速推动实验科学领域的进展，在这些领域中，验证结果往往更加复杂且成本更高，例如生命科学领域。在本文中，我们分享了两项关于 Claude 科学能力的实验结果。首先，我们展示了针对 Claude 在蛋白质设计任务中表现的研究发现，结果表明 Claude 能够针对多种靶点设计蛋白质结合剂，其水平与顶尖人类专家相当（甚至更优）。其次，我们分享了 Claude Opus 5 在一项分析化学任务中的表现，展示了通用型模型如何支撑研究中常规且耗时的环节。

下文所述的蛋白质设计与分析化学任务，代表了药物开发早期阶段部分典型工作内容。加速这些阶段，是我们为端到端提速药物开发所付出的更大努力中的一个组成部分，而这一努力的许多方面，更多与政策和运营层面的瓶颈相关，而非核心科学能力的提升。

我们今天分享的结果，是通过 Mythos 与 Opus 模型的组合获得的。虽然生命科学研究任务目前在我们最强大的模型中被屏蔽，但我们的最高优先事项之一是为科学家推出访问计划，我们预计很快会分享更多相关信息。与此同时，Opus 5 仍是我们最强大的通用可用模型。

Claude 设计蛋白质

当我们发布 Claude Mythos 5 时，我们提到正在用该模型进行实验，以加速药物设计流程中的部分环节。作为这项工作的持续组成部分，我们一直在研究 Claude 为多个蛋白质靶点设计微型结合蛋白的能力。微型结合蛋白是一种小分子蛋白质，设计目的是紧密附着在靶蛋白上。结合是现代药物发挥作用的主要机制之一：药物附着到靶点上，对其进行抑制、激活或递送某种物质。设计一种新的结合蛋白（即从头设计）历来需要蛋白质工程师针对每个靶点花费数月时间进行计算、优化和筛选。近年来，能够设计蛋白质并对其结合可能性进行排序的机器学习模型大大加快了蛋白质设计流程。但这些模型通常仍需要计算专家耗费数天（往往甚至数周）进行繁琐的编排工作。此外，虽然像 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蛋白质的计算设计，但在湿实验室（科学家在此对化学品、药物和其他生物物质进行实际测试）中验证这些数据仍然需要数周时间。

我们现在已经收到了这些实验中第一个实验的湿实验室数据，这是一项使用 Claude Opus 4.8 和 Mythos Preview 针对 15 个靶点开展的多臂蛋白质设计实验。我们的外部评估机构 Adaptyv Bio 和 Twist Bioscience 独立在实验室中生产并测试了 Claude 的设计，结果发现，在我们设计所针对的 15 个靶点中，Claude 成功为其中 14 个靶点设计出了结合蛋白。这些成果包括针对至少 6 个靶点的高亲和力结合蛋白，以及至少 4 个靶点的结合蛋白达到或超过了已报道的最佳亲和力。亲和力是衡量蛋白质与其靶点结合强度的指标；高亲和力结合蛋白通常需要达到治疗效果，因为它们能使药物在较低剂量下就发挥作用，从而降低副作用风险并减少制造成本。

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，整体命中率（即实际成为结合蛋白的设计占比）分别达到 26.7% 和 22.6%。目前蛋白质设计领域的典型命中率为 10% 至 15%。

在评估了 Claude 针对多靶点进行设计的能力后，我们希望了解让它一次专注于单一靶点是否能提升其表现，尤其是考虑到这更符合蛋白质工程师通常采用的工作方式。事实上，我们发现 Mythos Preview 在使用多个 24 小时会话分别针对每个靶点进行设计时，整体命中率达到 35.1%。

Mythos Preview 和 Opus 4.8 在 15 个靶点上的命中率均超过 20%，其中单个靶点的命中率最高可达 90%，最低则为 0%。

本次设计活动在极少人工介入的情况下完成，仅依靠我们在初始提示词中提供给 Claude 的信息。我们预计，在专业蛋白质设计师手中，这种方法将产生更出色的结果，尤其是当他们为 Claude 提供主动指导以及对中间结果的反馈时。

设计活动

我们首先选择了多个蛋白质设计基准中常用的靶点来启动设计活动，其中包括 Adaptyv Bio 的 BenchBB 全部靶点。由于这些靶点已被广泛研究，我们可以将结果与已发表的命中率和亲和力数据进行对比。我们还从 Adaptyv Bio 最近的竞赛中选取了两个新靶点——15-PGDH 和 GDF-8，以确保 Claude 能够在不依赖训练数据中已有成功案例或在线搜索的情况下针对靶点进行设计（对于所有靶点，我们均要求 Claude 检查并确保其设计具有原创性）。

随后，我们在 Claude Science 中提示 Claude 针对这些靶点设计蛋白质结合蛋白。为此，我们采用了两种方法。第一种是多靶点模式，即 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，即每个会话只针对一个靶点，且所有靶点的会话并行运行。

我们以多目标模式运行了 Opus 4.8 和 Mythos Preview，使用了 48 小时的墙钟时间和最多 12,500 个 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。我们还以单目标模式运行了 Mythos Preview，每个目标使用 24 小时的墙钟时间和最多 2,500 个 NVIDIA H100 小时的计算资源。5

为了模拟典型蛋白质设计活动中可用的资源，我们为 Claude 提供了以下内容：

一份详尽的蛋白质设计提示词6，该提示词也包含在智能体上下文中；

互联网访问权限以及一个资源库（例如关于蛋白质设计的论文）；

用于 Google Drive、Slack、Gmail 和 BioRxiv 的连接器；

用于运行专门蛋白质设计和折叠模型的 GPU 访问权限；

在规定时间内不限制 token 和子智能体预算，并启用了快速模式。

在向 Claude 提供提示词后，我们让模型自主执行。在启动这些任务后，我们没有提供任何额外的科学、技术或操作指导。

我们唯一的参与是批准访问请求（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，这些工作通常需要人类操作员花费数周时间。它自行选择在每个蛋白质靶标上的哪个位置进行设计；通过编排多个结构设计、序列设计和共折叠模型（这些模型可一次性预测蛋白质及其结合对象的结构）来生成候选结构和序列；通过多轮计算机模拟优化来运行这些设计；并进行计算筛选，以寻找新颖、多样化的候选分子，这些候选分子应能够表达、保持可溶性并实现结合。

对于 15 个靶标中的每一个，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业蛋白质设计和共折叠模型来完成这项工作。Claude 的设计随后被发送给 Adaptyv Bio 和 Twist Bioscience 进行验证。

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亲和力的结合蛋白。a) 桑基图展示了 Claude 在结构设计、序列设计和优化轮次上的组合方式。b、c) 对于所有至少包含 100 个已下单设计的结构设计方法，Claude 设计的结合蛋白命中率超过 20%，其中包含高亲和力结合蛋白。

Claude 在各靶点上的表现

到这项工作结束时，我们利用总计 1,320 个设计，针对 15 个靶点中的 14 个生成了 354 个结合蛋白。这是对公开可用的从头蛋白质设计语料库的重要贡献；例如，最大的两个数据集——proteinbase.com 和 Overath 等人整理的集合——包含针对 40 个靶点的 5,700 个设计中的约 770 个结合蛋白。下面，我们分享三个突出 Claude 能力的示例，以及一个展示其局限性的示例。更多细节请参阅我们的技术报告（链接）。

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 已举办过竞赛的靶点，Claude 在命中率和亲和力两个指标上的表现达到或超过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蛋白），Mythos Preview 在单靶点模式下实现了 40% 的命中率，而参赛者的命中率为 3.7%。其排名最高的设计是一个高亲和力结合蛋白，表现优于获胜设计——后者出自 245 个参赛设计之中。

Claude 针对 RBX1 设计的结合蛋白具有最先进的亲和力，并且经常超越 Adaptyv Bio 蛋白质设计竞赛中记录的命中率。

Claude 针对 TNFα（一个具有挑战性且与治疗相关的靶点）设计了物种交叉反应性结合蛋白。

有趣的是，成功攻克 TNFα 这一靶点的是 Opus 4.8，而非 Mythos Preview。TNFα 是免疫系统释放的一种信号蛋白，用于触发炎症反应，阻断它是包括 Humira 在内的一些最具影响力药物的治疗基础。由于 TNFα 具有多聚体结构，需要靶向由两个蛋白形成的沟槽中的结合位点，因此这是一个颇具挑战性的设计靶点。尽管 Mythos Preview 未能成功，Opus 4.8 却设计出了多种结合蛋白，其中一些具有跨物种活性，可结合人、食蟹猴和小鼠的 TNFα，这对于开展动物研究至关重要。我们尚不清楚为何 Opus 4.8 在该靶点上成功而 Mythos Preview 却失败。我们在评估模型能力时是进行整体评估的。鉴于蛋白质设计固有的复杂性，在特定领域出现一个整体能力较弱的模型反而胜过整体能力更强的模型的情况，并不令人意外。

Opus 4.8 成功设计了针对 TNFα 的从头结合蛋白，其中一些具有交叉反应性，可结合人、食蟹猴和小鼠的 TNFα。

Claude 设计了具有 β-折叠的折叠多样性结合蛋白

大多数计算设计的结合蛋白是 α-螺旋束，这是一种由卷曲结构组成的蛋白质二级结构。β-折叠则要求延伸的氨基酸链并排排列，设计难度更大，且更容易出现错误折叠和聚集（即蛋白质分子相互粘连，而非保持分离并正确折叠的状态）。Claude 针对六个靶点设计了 15 个经确认的结合蛋白，其中 β-链含量至少达到 20%，这展示了其对蛋白质结构进行推理的能力。

Claude 成功针对六个靶点设计了 15 个含有 β-折叠的结合蛋白（分布于 10 个不同的主链骨架）。

Claude 在某些靶点上遇到了困难

某些靶点对 Claude 而言仍是挑战，包括 BBF-14 和麦芽糖结合蛋白（MBP）。BBF-14 是一种自然界中不存在的 β-桶状蛋白：它本身就是从头设计的产物，正因其新颖性，如今被用作结合子设计的基准。MBP 的结构也格外困难。MBP 是一种大型、柔性的细菌蛋白，表面光滑且亲水，使其成为良好的实验室试剂。这导致结合子几乎找不到可抓取的位点。尽管如此，Claude 仍成功生成了三个独立的 BBF-14 结合子——每个设计分支各一个，且各自基于不同的骨架——亲和力为中等水平（亚微摩尔至微摩尔级）。然而，针对 MBP，90 个设计中没有一个被确认与靶点结合，尽管其中一个表现出微弱但可重复的结合信号。

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）的蛋白结合子方面取得的成功有限。

为了更好地了解 Claude 在这些设计活动中的表现，我们计划在实验之后进行更全面的表征，以确认我们的命中率和亲和力测量结果。与此同时，我们正在分享这些活动中使用的提示词，以及我们生成的所有体外和计算机模拟数据。7

智能体驱动的生物发现具有双重用途

AI 模型日益自主的研究能力所带来的提升，无疑将加速人类疗法的开发和基础科学发现。然而，这类能力也具有双重用途：如果没有稳健的安全措施，它们可能使恶意行为者得以开展危险研究，例如开发生物武器。在我们通过可信访问计划安全地交付这些能力的同时，蛋白设计及其他双重用途的研究生物学能力仍不对 Claude Fable 5 的普通访问开放。不过，正如你将在下文看到的，我们的 Opus 级模型能够完成卓越的科学工作。

Claude 运行分析化学工作流程

在蛋白质结合剂实验中测试了 Claude 设计新分子的能力，而第二个实验则测试了它解读已有分子测量结果的能力。表征一种化合物是繁琐的工作；与蛋白质设计非常相似，它要求化学家进行多轮测量、分析和迭代。例如，每次化学家创造出一个分子，他们必须确定该分子是否是他们预期要生产的产物，以及其纯度如何。这通常通过核磁共振（NMR）波谱法来完成。NMR 谱图是一系列峰，每个峰对应分子中某个位置的氢原子，或一组等价的氢原子。峰的位置告诉化学家每个氢原子连接在什么基团上，峰的大小则表示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；对于每一种化合物，化学家都必须手动将谱图中的每个峰与所提出结构中的某个原子进行匹配。

另一种主要用于评估纯度的技术是液相色谱-质谱联用（LC-MS），它首先将样品通过色谱柱分离成各个组分，然后根据其紫外吸收记录各组分的含量，最后测量每个组分的分子质量。对于这两种技术，仪器运行本身只需几分钟（常规质子 NMR 谱图约需两到三分钟；一次 LC-MS 运行约需 10 分钟）。繁琐的部分在于分析输出结果。在 NMR 和 LC-MS 运行之后，每台仪器都会生成一个制造商专有格式的原始文件，该文件旨在用该制造商（或其他专业）的软件打开。8

鉴于处理和解读这些文件极为繁琐，我们想看看像 Claude Opus 5 这样的通用模型在此类任务上表现如何。9 仅凭合同实验室提供的常规质控样品原始文件，以及一段简短的自然语言提示词，10 在无供应商软件、无操作员介入的情况下，Claude 在 Claude Science 环境中并行工作，分别在 23 分钟和 19 分钟内返回了处理后的 NMR 和 LC-MS 结果。其结果与实验室自身的处理结果一致——每个峰的氢计数与实验室结果相差在 0.08 ¹H 以内，其测得的纯度为 96.4%，而实验室结果为 96.33%。

实验室发送的内容，以及 23 分钟后 Claude 返回的结果。（左）仪器直接输出的原始 NMR 信号；（右）处理后的谱图，每个峰均已定位并完成氢计数。

对于 NMR 数据，Claude 将仪器输出的原始数据转换为校准谱图和一张包含 18 个峰的表格，每个峰都有对应的氢计数。接下来，它像化学家一样，将四个宽峰标记为可能连接在氮或氧上的氢。随后它提出了标准验证方法：向 NMR 样品中加入重水，这会置换掉这些氢，使其峰缩小或消失。（实验室在首次测量三天后也独立进行了同样的验证。）拿到重水实验的原始文件后，Claude 量化了数据中的变化，发现并纠正了其首次解读中的一处夸大（第一遍它报告所有四个标记峰均已消失，但其自身复核显示只有两个消失），并最终得出了与实验室操作员相同的结论。

（左）LC-MS 运行结果以原始字节文件形式到达，该格式仅制造商软件可读。（右）Claude 在 19 分钟后从中恢复出的色谱图：在 4.34 分钟处有一个单一组分，承载了 96.4% 的 UV 信号，分子质量为 504 道尔顿。

LC-MS 仪器文件采用一种未公开的供应商专有格式。Claude 先自行弄清了数据的编码方式，然后在分析任何内容之前，通过复现仪器自身记录的全部 2,664 次扫描的总数，确认了自己正确读取了文件。随后，它输出了化学家所期望的所有结果：分离图谱、质谱和紫外光谱、纯度表、化合物的分子量，以及可用于读取此类文件的可复用代码，并附上了它自己关于结果可信度的注意事项清单（例如，它指出这类仪器给出的质量数只精确到最接近的整数单位）。

通常情况下，化学家需要手动完成所有这些分析。对于治疗相关的小分子，每个样品通常需要半小时到一小时（实验室自己的记录显示，每张 NMR 谱图大约需要两分钟的人工处理，LC-MS 报告则在样品加载到仪器后约两小时出具）。Claude Science 在这 25 分钟内并行处理并解读了这两个文件。Claude 还在同一时间内生成了一份书面报告，而该实验室针对此样品的最终报告是在采集到第一张谱图四天后才完成的——考虑到他们一次只分析一个分子，且期间可能穿插其他工作，这是一个相当标准的延迟时间。

除了效率提升之外，Claude 的运行还展现出一定程度的科学判断力，例如它提出了与外包实验室独立开展的后续实验完全相同的建议。随着这些模型不断改进，我们预计 Claude 的科学判断力将变得更加敏锐。

如果你想在 Claude Science 中亲自尝试，可以给 Claude 一个原始的 NMR 或 LC-MS 文件，并让模型确认该化合物的身份和纯度。

结论

上述两个例子都展示了 AI 模型如何通过减少科学发现所涉及的专业知识、成本和时间来加速生命科学研究。在化学领域，Claude 正在将化学家历来手动完成的分析工作自动化。在蛋白质设计领域，Claude 能够以极少的输入端到端地执行结合剂设计任务，产出的结合剂可与之前发表的最佳设计相媲美甚至更胜一筹。

蛋白质微型结合剂并非药物的标准治疗模式，即便是单克隆抗体和小分子这类常见药物模式，设计高亲和力结合剂也只是生成类药分子的第一步。不过，我们认为这项工作具有奠基性意义，并正在对其进行扩展，以便 Claude 能够端到端地运行涵盖所有药物模式的完整开发流程。

延伸阅读

以下文档列表提供了关于上述结果的更多技术深度和更详细信息：

蛋白质设计活动的提示词和数据；

蛋白质设计技术报告；

化学分析技术报告。

脚注

我们认为，如果结合剂的平衡解离常数达到个位数纳摩尔或更低（KD < 10 nM），则视为高亲和力结合剂。

通过计算 https://proteinbase.com/ 上从头设计的蛋白质结合剂总体命中率得出。

这包括批准 Claude 提出的某些请求（例如网络访问请求、代码执行请求）、解决蛋白质设计会话之外的基础设施问题，以及对生成的候选设计进行排序以供实验验证。

我们总共选择了 16 个靶点（相关情况下默认物种为人类）。按字母顺序排列，它们分别是：15-PGDH、BBF-14、BHRF1、Cas9、EGFR、GDF-8（潜伏态）、GDF-8（成熟态）、IL-7Rα、麦芽糖结合蛋白（MBP）、尼帕病毒糖蛋白 G、PD-L1、RBX1、TNFα、TREM2、TrkA 和 VEGF-A。我们展示了 16 个靶点中 15 个的结果，因为其中一个靶点 GDF-8（成熟态）的实验数据因靶点聚集和非特异性粘附而无法得出明确结论。

15-PGDH 和潜伏态 GDF-8 未用于多靶点模式。Opus 4.8 以单靶点模式针对三个靶点运行：TNFα、潜伏态 GDF-8 和成熟态 GDF-8。

包含约 30,000 个 token，在此共享。

提示词、所设计蛋白质复合物的计算模型以及实验数据均可在此找到。

对于 NMR，指波谱仪记录的原始信号（“自由感应衰减”）；对于 LC-MS，指仪器的二进制运行文件。两者均为仪器的原始专有文件。

我们此前曾分享过 Claude 在分析 NMR 数据方面、与标准软件对比的性能表现工作。

NMR 提示词全文如下：“我有一段原始 1H FID 数据：请处理它：进行傅里叶变换、相位校正、基线校正。显示谱图。然后挑选峰并积分：给我一个包含 δ（ppm）、多重性、J（Hz）和积分值的表格。”LC-MS 提示词为：“处理原始 LCMS 文件：提取色谱图和质谱图，并用图表进行总结。”