命中率超行业均值两倍

蛋白质结合剂设计是现代药物研发的核心环节之一。大多数现代药物通过与靶蛋白结合来发挥抑制、激活或递送功能，而从头设计一种新型结合剂（de novo design）历来需要蛋白质工程师耗费数月时间进行计算、优化与筛选。近年来，机器学习模型虽已大幅提速，但仍需计算专家数天乃至数周的繁琐操作，湿实验室验证环节同样耗时数周。

Anthropic 与外部评估机构 Adaptyv Bio 和 Twist Bioscience 合作，针对15个蛋白靶点开展了多臂设计实验。结果显示，Claude 成功为其中14个靶点设计出有效结合剂，包括至少6个高亲和力结合剂，以及至少4个达到或超越已发表最佳亲和力的设计。在48小时同时处理所有靶点的模式下，Mythos Preview 和 Opus 4.8 的整体命中率分别为26.7%和22.6%。

当研究人员将任务切换为单靶点专注模式——更贴近蛋白质工程师的实际工作方式——Mythos Preview 的整体命中率进一步提升至35.1%。各靶点的命中率差异显著，最高可达90%，最低为0%。值得注意的是，整个设计流程几乎无需人工干预，仅依赖初始提示词中提供的信息。Anthropic 认为，若由经验丰富的蛋白质设计专家提供主动指导和中间结果反馈，效果还将进一步提升。

在分析化学实验中，Claude Opus 5 展现出对常规但耗时科研任务的强大支持能力。研究人员仅向模型提供了合同实验室的 NMR 和 LC-MS 原始数据文件，以及一段两句话的简短提示，Claude 便分别在23分钟和19分钟内返回完整分析报告。其氢原子计数与纯度结果（96.4%）与实验室自身分析结果（96.33%）几乎完全一致，验证了通用模型在专业科研场景中的实用价值。

Anthropic 指出，上述两项任务代表了药物开发早期阶段的典型工作内容，加速这些环节是其推动端到端药物研发提速这一更宏观目标的组成部分。目前，生命科学研究任务在其最强能力模型上仍受到访问限制，但公司已将面向科学家的专项访问计划列为最高优先级之一，并预计近期公布更多细节。与此同时，Claude Opus 5 作为当前最强的公开可用模型，仍可支持相关研究工作。

这一系列进展与近期 AI 科学发现加速的整体趋势相呼应。在数学领域，AI 智能体已开始攻克数十年悬而未决的 Erdős 问题，每月解决数个；Claude 也在黎曼 zeta 函数的长期下界问题上取得改进。随着验证成本更高的实验科学领域同样出现突破，AI 辅助科研的边界正在快速向生命科学等复杂领域延伸。

要点

• Claude 在蛋白质结合剂设计中的整体命中率最高达35.1%，是行业典型水平（10-15%）的两倍以上，部分设计亲和力超越已发表最佳结果数倍
• Claude Opus 5 在23分钟内完成专业 NMR 与 LC-MS 分析，纯度结果与实验室自身分析误差不足0.1%，展示通用模型对常规科研任务的实用价值
• 整个蛋白质设计流程几乎无需人工干预，若结合专家主动指导，预计效果将进一步提升
• Anthropic 计划尽快推出面向科学家的专项访问计划，目前生命科学任务在最强能力模型上仍受访问限制
• AI 科学发现正从验证成本低的数学领域向实验验证更复杂的生命科学领域加速扩展