Claude designede proteinbindere til 14 af 15 mål – her er, hvad forsøget faktisk viser

Anthropics proteinforsøg bør først og fremmest ses som en test af autonom videnskabelig koordinering. Claude Mythos Preview og Claude Opus 4.8 undersøgte biologiske mål, valgte designstrategier, satte specialværktøjer op, genererede proteinkandidater og udvalgte de designs, der skulle sendes til laboratorietest. De færdige proteiner blev derefter undersøgt af eksterne laboratorier, hvor 354 af 1.320 designs bandt til deres tilsigtede mål.

Det er et betydeligt fremskridt i de tidligste faser af lægemiddelforskning. Men det er ikke dokumentation for, at Claude på egen hånd har opdaget en medicin, løst de sværeste problemer inden for proteinbaserede lægemidler eller kan erstatte laboratoriearbejde og kliniske forsøg.

Hovedresultatet: 14 ud af 15 mål

Anthropic oplyser, at Claude designede mindst én fungerende binder til 14 af 15 eksperimentelt evaluerede mål. Modellerne i forsøget var Claude Mythos Preview og Claude Opus 4.8. Afhængigt af forsøgsopstillingen lå træfsikkerheden mellem 22,6 og 35,1 procent, sammenlignet med den branchetypiske rate på cirka 10–15 procent for denne type de novo-design af bindere, som Anthropic henviser til.

Det samlede laboratorieresultat var 354 bindere blandt 1.320 designs – en samlet træfsikkerhed på 26,8 procent. Kun ét af de evaluerede mål gav ingen bindere.

Tallene bør dog ikke læses som en universel succesrate. Resultaterne varierede markant mellem målene, fra nul til 90 procent. I en fokuseret kørsel, hvor Mythos arbejdede med ét mål ad gangen i 24 timer, nåede modellen den højeste rapporterede rate på 35,1 procent. Kampagner, hvor flere mål blev behandlet samtidig, gav lavere rater.

Hvad gjorde Claude konkret?

Forsøget bestod ikke i, at en sprogmodel opfandt proteinforskning fra bunden. En menneskelig specialist i proteindesign havde først udarbejdet en prompt på omkring 30.000 tokens, som beskrev arbejdsgangen. Derefter arbejdede Claude med kun begrænset yderligere menneskelig styring.

Inden for denne ramme kunne Claude:

• undersøge de udvalgte biologiske mål;
• vælge, hvor på målene de nye proteiner skulle binde;
• installere og koordinere offentligt tilgængelige værktøjer til strukturforudsigelse og proteindesign;
• generere proteinkandidater;
• filtrere, rangere og forbedre kandidaterne; og
• udvælge de designs, der skulle testes i laboratoriet.

Det er en vigtig skelnen. Det mest opsigtsvækkende var ikke, at Claude opfandt alle de underliggende beregningsmetoder, men at modellen kunne styre en lang, værktøjsbaseret designproces og selv træffe de enkelte beslutninger om kandidaterne.

Målene omfattede både kendte benchmarkmål og nyere mål fra konkurrencer. Det gør forsøget mere informativt end en rent computerbaseret øvelse, selv om kendskab til nogle af benchmarkmålene stadig kan have påvirket resultatet.

Derfor er laboratorietesten afgørende

En computer kan forudsige, at et protein burde binde til et bestemt mål, uden at proteinet faktisk kan fremstilles, folde korrekt eller binde i et eksperiment. Derfor sendte Anthropic sine designs til eksterne testpartnere.

Adaptyv Bio modtog designsene uden at vide, hvilken model der havde produceret dem. Virksomhedens automatiserede proces gik fra digital proteinkode til DNA-syntese, proteinproduktion, måling af binding og kvalitetskontrol. Bindingen blev målt med overfladeplasmonresonans, og resultatet var 354 bindere blandt 1.320 designs.

Twist Bioscience fremstillede og testede også designs uafhængigt. Anthropic oplyser, at resultaterne omfattede bindere med høj affinitet til mindst seks mål samt bindere, der matchede eller overgik den bedste tidligere rapporterede affinitet for mindst fire mål.

Det er stærkere evidens end et benchmark, der kun bygger på forudsagte strukturer eller modelgenererede forklaringer. Testen besvarer dog stadig et afgrænset spørgsmål: Binder det designede protein til det valgte mål under de givne testbetingelser? Den viser ikke, om proteinet kan bruges som behandling.

RBX1-resultatet og andre markante påstande

En af Anthropics mest opsigtsvækkende sammenligninger handler om RBX1. Anthropic rapporterede en træfsikkerhed på cirka 40 procent for Claudes designs mod 3,7 procent blandt tidligere deltagere i en designkonkurrence. Selskabet oplyste også, at systemet overgik det hidtil bedste design på dette mål.

Anthropic rapporterede desuden usædvanligt stærke affinitetsresultater for enkelte kandidater. Nogle designs skulle binde flere gange stærkere end de bedste tidligere publicerede resultater. Det er lovende fund, men der er fortsat tale om virksomhedens egne resultater fra én kampagne – ikke et bevis på bred overlegenhed på tværs af alle typer proteindesign.

En binder er ikke det samme som et lægemiddel

En proteinbinder er et molekyle, der er konstrueret til at hæfte sig på et biologisk mål. Det kan være nyttigt til behandlinger, diagnostik og forskningsreagenser, men binding er kun et tidligt trin.

En reel lægemiddelkandidat skal typisk også have:

• den rette selektivitet over for det ønskede mål;
• en relevant funktionel effekt, for eksempel at blokere eller aktivere en biologisk signalvej;
• tilstrækkelig stabilitet og mulighed for masseproduktion;
• evnen til at nå det relevante væv eller den relevante celle;
• egnede farmakokinetiske egenskaber;
• lav risiko for uønskede immunreaktioner; og
• en acceptabel toksicitetsprofil.

Anthropic beskriver selv arbejdet som et tidligt skridt mod lægemiddellignende molekyler – ikke som et resultat af en komplet lægemiddeludvikling. Forsøget dokumenterede hverken klinisk effekt, sikkerhed hos mennesker eller en succesfuld vej gennem lægemiddeludviklingens senere faser.

Begrænsninger og kritik

Valget af mål er en væsentlig begrænsning. Proteinbindere er generelt lettere at udvikle mod tilgængelige mål uden for cellerne end mod proteiner, der arbejder inde i cellerne. Martin Shkreli kritiserede de rapporterede affiniteter som for svage til at understøtte de bredere farmaceutiske implikationer og fremhævede manglen på vanskelige intracellulære mål.

Kritikken ændrer ikke på laboratoriefundet: Mange af designsene bandt faktisk til deres mål. Den gør dog konklusionen smallere. Forsøget viste, at Claude kan producere et betydeligt antal eksperimentelt bekræftede bindere inden for en bestemt arbejdsgang. Det viste ikke, at systemet pålideligt kan skabe intracellulære lægemidler eller konsekvent overgår etablerede metoder til udvikling af lægemidler mod klinisk vigtige mål.

Evidensen kommer desuden delvist fra Anthropic selv. At syntese og analyser blev udført af eksterne organisationer styrker resultatets troværdighed, men uafhængige gentagelser på et bredere og vanskeligere udvalg af mål vil være nødvendige for at teste, hvor generaliserbart resultatet er.

En større ambition for lægemiddeludvikling

Anthropic fremstiller proteindesign som én del af en større ambition: et end-to-end-system, der kan arbejde på tværs af molekylære modaliteter, fremskynde lægemiddeludvikling og analysere kemiske og biologiske data. Selskabets bredere Claude Science-indsats samler forskningsarbejdsgange, beregningsværktøjer og dataanalyse, mens proteinkampagnen viser, hvordan en AI-agent kan forbinde disse funktioner med eksperimentelt arbejde.

Anthropic oplyser, at selskabets mest avancerede funktioner til biovidenskab ikke i øjeblikket er åbent tilgængelige. Et adgangsprogram for forskere er blandt virksomhedens prioriteter, og Anthropic siger, at Opus 5 aktuelt er den mest kapable generelt tilgængelige model til forskning inden for biovidenskab.

Det praktiske løfte er derfor ikke, at AI fjerner laboratoriet. Det er snarere, at autonome systemer kan forkorte den tid, forskere bruger på at undersøge mål, køre software, sortere kandidater og beslutte, hvilke få designs der fortjener eksperimentel opfølgning.

Hvorfor adgangen er begrænset

Arbejdsgangen har et tydeligt dobbeltanvendelsesperspektiv. Den samme evne til at undersøge biologiske systemer, designe proteiner og koordinere specialværktøjer kan understøtte nyttig forskning – eller gøre det mindre krævende og tidskrævende at udføre skadelig biologisk udvikling.

Anthropic siger derfor, at proteindesign og andre biologiske funktioner med dobbelt anvendelse fortsat ikke er tilgængelige for alle på selskabets mest avancerede systemer. I stedet sigtes der mod kontrolleret adgang for kvalificerede forskere. Udfordringen er ifølge selskabets egen beskrivelse at støtte legitim terapeutisk forskning uden at gøre det lettere at arbejde med patogener, toksiner eller andre farlige biologiske anvendelser.

Sikkerhedspolitikken hænger tæt sammen med det tekniske resultat. Jo mere autonomt en model kan gå fra et biologisk spørgsmål til konkrete molekylære designs, desto vigtigere bliver det ikke kun at undersøge, om designene virker, men også hvem der kan få adgang til arbejdsgangen, hvilke sikkerhedsforanstaltninger der gælder, og hvordan anvendelsen overvåges.

Konklusion

Anthropics demonstration viste, at Claude Mythos Preview og Claude Opus 4.8 kan koordinere eksisterende proteindesignværktøjer autonomt og skabe eksperimentelt bekræftede bindere med en rapporteret træfsikkerhed på 22,6–35,1 procent. Blandt 1.320 designs bandt 354 til deres mål, og 14 af 15 evaluerede mål gav mindst én binder.

Det er et væsentligt bevis på, at AI kan spille en effektiv rolle i den tidlige proteindesignfase. Men det er ikke et autonomt system til opdagelse af lægemidler, en løsning på intracellulær målretning eller en erstatning for den lange proces med optimering, toksikologi, kliniske forsøg og myndighedsgodkendelse.

Den næste afgørende test bliver, om resultaterne kan gentages på vanskeligere og mindre kendte mål – og om teknologien kan gøres bredt nyttig uden samtidig at gøre farlig biologisk assistance bredt tilgængelig.