蛋白质设计和化学分析，是药物研发早期两个不同、但都高度依赖专业人员的环节。

前者需要研究人员围绕特定靶点设计能够与之结合的新蛋白，再经过计算筛选和湿实验验证；后者则要面对核磁共振（NMR）、液相色谱-质谱（LC-MS）等仪器产生的原始数据，从复杂的信号中判断一个化合物是否合成正确、纯度是否达标。这些工作已经有不少计算工具辅助，但真正把工具串起来、分析结果并作出下一步判断，仍需要研究人员投入大量时间。

8 月 18 日，Anthropic 公布了 Claude 在这两类任务上的最新实验结果。

在蛋白质设计中，Claude（Mythos Preview 和 Opus 4.8）针对 15 个靶点设计了蛋白质结合剂，并成功结合了其中的 14 个；另一项实验则把任务放到了化学实验产生的原始数据上。Claude Opus 5 在没有专业仪器软件和人工操作的情况下，直接处理一家合同实验室提供的 NMR 和 LC-MS 原始文件，并分别在 23 分钟和 19 分钟内完成数据处理和分析，其结果与实验室自己的分析基本一致。

从头设计蛋白结合剂，15 个靶点中成功 14 个

Anthropic 首先测试了 Claude 从头设计蛋白质结合剂的能力。

所谓蛋白质结合剂（protein binder），可以理解为一种能够特异性“抓住”目标蛋白的蛋白质。Anthropic 此次设计的是体积较小的 minibinder，任务是针对给定靶点，从头生成能够与其稳定结合的新蛋白。

过去，这类工作通常需要研究人员决定靶点上适合结合的位置，再生成候选蛋白的三维结构和氨基酸序列，并通过结构预测、共折叠等方法不断筛选和优化。近年来，机器学习已经加快了其中不少步骤，但不同专业模型如何组合、哪些候选值得继续推进，仍然需要计算蛋白设计人员参与。

这一次，Anthropic 把这些工作交给了 Claude。

研究团队共选择了 16 个蛋白靶点，包括 PD-L1、EGFR、Cas9、TNFα、VEGF-A 等，也加入了 15-PGDH 和 GDF-8 等较新的靶点。其中一个靶点因实验数据受到蛋白聚集等因素影响，最终有 15 个靶点可以进行有效评价。

图 | Mythos Preview 和 Opus 4.8 在 15 个目标中实现了 20% 以上的命中率（来源：Ant

参与实验的包括 Claude Opus 4.8 和 Mythos Preview。Anthropic 为 Claude 提供了蛋白设计相关资料、互联网访问权限，以及运行专业蛋白设计和折叠模型所需的 GPU。任务开始后，研究人员不再提供额外的科学或技术指导，只处理权限和基础设施问题。

Claude 需要自行决定靶蛋白上适合结合的位置，调用结构生成、序列设计和共折叠模型产生候选方案，再经过多轮优化和筛选，最终选出值得进入实验验证的蛋白。也就是说，Claude 并不是单独完成所有蛋白计算，而是自主组合和调用现有专业模型，完成整个计算设计流程。

随后，候选蛋白被交给 Adaptyv Bio 和 Twist Bioscience 进行合成和湿实验验证。

结果显示，在 15 个可评价的靶点中，Claude 为 14 个靶点设计出了实验确认的结合剂。整个实验共测试 1,320 个设计，其中 354 个被确认能够与目标蛋白结合。至少 6 个靶点获得了平衡解离常数（KD）小于 10 nM 的高亲和力结合剂，至少 4 个靶点上的最佳设计达到或超过了此前公开报道的最佳亲和力。

图 | Claude 成功整合了多种开源蛋白质设计模型，生成了高成功率和高亲和力的结合物（来源：Anthropic）

不同运行方式下，Claude 的表现也有所差异。在同时处理多个靶点的实验中，Mythos Preview 和 Opus 4.8 的总体命中率分别为 26.7% 和 22.6%。Anthropic 根据公开数据估算，目前从头设计蛋白结合剂的典型命中率约为 10%-15%。当 Mythos Preview 每次只集中处理一个靶点时，总体命中率进一步提高到 35.1%。

其中一个表现较好的靶点是 RBX1。Mythos Preview 在这一靶点上的命中率达到 40%。RBX1 此前曾用于 Adaptyv Bio 的蛋白设计竞赛，当时参赛设计的总体命中率约为 3.7%；Claude 排名最高的设计，其结合亲和力也超过了当时的获胜方案。

另一个例子是 TNFα。TNFα 是多种抗炎药物的重要靶点，其适合结合的位置位于两个蛋白亚基形成的沟槽中，设计难度较高。在这一靶点上，Mythos Preview 没有成功，反而是 Opus 4.8 获得了多个结合剂。其中一些设计不仅能够结合人类 TNFα，还能够同时结合食蟹猴和小鼠 TNFα，为后续动物实验提供了便利。

Claude 还尝试设计了一些结构上更复杂的蛋白。常见的计算设计结合剂多以 α 螺旋为主，而 β 折叠更容易出现错误折叠和聚集。这次实验中，Claude 共获得 15 个 β 链比例至少达到 20% 的确认结合剂，覆盖 6 个不同靶点。

图 | Claude 成功设计了 15 种结合剂，这些结合剂含有 β-折叠结构，可针对六个靶点（来源：Anthropic

不过，实验并非全部成功。对于人工设计的 β 桶蛋白 BBF-14，Claude 找到了 3 个结合剂，但亲和力只有亚微摩尔到微摩尔水平；而对于麦芽糖结合蛋白 MBP，测试的 90 个设计中没有一个被正式确认能够结合，只有一个表现出较弱但可重复的结合信号。

Anthropic 表示，后续还将对这些蛋白进行更深入的实验表征。目前，团队已经公开了此次实验使用的提示词、计算得到的蛋白复合物模型，以及相关体外实验和计算数据。

读懂实验原始数据，还提出了下一步验证实验

除了蛋白质设计，Anthropic 还测试了 Claude 处理化学实验数据的能力。

这项实验使用的是核磁共振（NMR）和液相色谱-质谱（LC-MS）数据。两种技术都是化学实验室中常见的分析手段：NMR 可以帮助研究人员判断一个化合物的结构是否符合预期，LC-MS 则常用于确认分子量和评估样品纯度。

通常情况下，仪器采集完成后，研究人员还需要借助专门软件对原始数据进行处理，包括校正、找峰、积分和解释谱图，再根据这些结果判断化合物是否成功合成。Anthropic 此次测试的是，Claude 能否直接从仪器生成的原始文件开始完成这些工作。

研究团队从一家合同研究实验室获得了一组真实实验数据，其中包括一个有机化合物的 NMR 和 LC-MS 原始文件。随后，他们将这些文件直接交给 Claude Opus 5，只提供了简短的自然语言指令，要求 Claude 分析数据并判断样品情况。

Claude 首先需要自行识别文件格式和数据结构，再编写代码读取和处理原始数据。整个过程没有使用实验人员通常操作的专业分析软件，而是根据原始文件中的数据完成后续计算。

在 LC-MS 任务中，Claude 用大约 19 分钟完成了数据读取、色谱峰识别和纯度计算，最终给出的样品纯度为 96.4%。实验室通过常规分析流程得到的结果为 96.33%，两者基本一致。

在 NMR 分析中，Claude 花费约 23 分钟完成数据处理，并对主要信号进行了识别和积分。其计算得到的氢原子积分结果与实验室分析结果也较为接近。

图 | 实验室发送的数据，以及 Claude 23 分钟后返回的数据（来源：Anthropic）

分析过程中，Claude 还注意到谱图中存在几个异常信号，并提出进行一次重水交换实验，以判断这些信号是否来自可以发生交换的氢原子。值得注意的是，实验室研究人员此前也独立做出了同样的判断，并进行了这一实验。

随后，Anthropic 将重水交换后的第二组 NMR 数据继续交给 Claude。结合新的实验结果，Claude 重新检查了此前的分析，并发现第一轮中对一个信号的解释存在错误，随后对自己的判断进行了修正。

因此，这项测试并不只是让 Claude 对一张处理好的谱图进行识别。它接收到的是仪器产生的原始文件，需要自行完成数据解析、处理和解释，并根据结果提出下一步实验建议。

Anthropic 认为，这类工作目前仍属于初步测试。不同仪器、文件格式和实验条件产生的数据差异很大，一次实验中的成功并不能说明 Claude 已经能够稳定处理所有 NMR 或 LC-MS 数据。不过，这次结果至少表明，在相对完整的实验数据分析流程中，Claude 已经能够从原始数据开始完成一系列过去主要由研究人员操作的软件处理和结果判断。

从蛋白质设计到实验数据分析，Claude 已经开始进入一些具体的科研环节。虽然这些结果仍只是早期测试，但至少说明，大模型正在从回答科学问题，进一步走向直接处理科研任务。

参考链接：

1.https://www.anthropic.com/research/Claude-accelerates-protein-design

2.https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成