Claude entwarf Binder für 14 von 15 Zielen – aber noch kein Medikament

Das Gesamtergebnis aus den Labortests fällt ähnlich aus: 354 von 1.320 Designs banden an ihre vorgesehenen Ziele – eine Trefferquote von 26,8 Prozent. Nur bei einem der ausgewerteten Ziele wurden keine Binder gefunden.

Diese Zahlen sind allerdings keine allgemeingültige Erfolgsquote. Die Ergebnisse unterschieden sich je nach Ziel stark und reichten den Angaben zufolge von null bis 90 Prozent. Den höchsten Wert von 35,1 Prozent erzielte ein fokussierter Durchlauf, bei dem Mythos jeweils 24 Stunden an einzelnen Zielen arbeitete. Kampagnen mit mehreren Zielen gleichzeitig schnitten schlechter ab.

Was Claude tatsächlich geleistet hat

Das Experiment zeigt nicht, dass ein Sprachmodell Proteinwissenschaft aus dem Nichts erfunden hätte. Ein menschlicher Spezialist für Proteindesign gab zunächst einen rund 30.000 Token langen Prompt vor, der den Arbeitsablauf beschrieb. Danach arbeitete Claude mit nur wenig weiterer menschlicher Steuerung.

Innerhalb dieses Rahmens:

• recherchierte Claude die ausgewählten Ziele;
• entschied, an welcher Stelle die Kandidaten binden sollten;
• installierte und koordinierte öffentlich verfügbare Werkzeuge zur Strukturvorhersage und zum Proteindesign;
• erzeugte Kandidatensequenzen;
• filterte, bewertete und verbesserte die Kandidaten; und
• wählte die Designs für die Labortests aus.

Diese Unterscheidung ist entscheidend. Die Leistung bestand vor allem darin, einen langen, werkzeuggestützten Designprozess zu organisieren und einzelne Entscheidungen bei der Auswahl der Kandidaten zu treffen – nicht darin, jede zugrunde liegende computergestützte Methode neu zu entwickeln.

Die Zielauswahl umfasste etablierte Benchmark-Ziele sowie neuere Wettbewerbsziele. Das macht die Ergebnisse aussagekräftiger als eine rein synthetische Computersimulation. Es schließt aber nicht aus, dass die Vertrautheit mit bestimmten Benchmark-Zielen die Leistung beeinflusst haben könnte.

Warum die Validierung im Labor zählt

Ein Computermodell kann vorhersagen, dass ein Protein binden sollte. Daraus folgt jedoch nicht automatisch, dass das Protein sich herstellen lässt, korrekt faltet oder in einem Test tatsächlich bindet. Deshalb schickte Anthropic die Designs an externe Testpartner.

Adaptyv Bio erhielt die Designs, ohne zu wissen, welches Modell sie erzeugt hatte. Der automatisierte Prozess des Unternehmens reichte von der digitalen Proteinkette über die DNA-Synthese und Proteinherstellung bis zur Bindungsmessung und Qualitätskontrolle. Gemessen wurde unter anderem mit Oberflächenplasmonresonanz. Dabei wurden 354 Binder unter 1.320 Designs gefunden.

Auch Twist Bioscience stellte Designs unabhängig her und testete sie. Anthropic zufolge umfassten die Ergebnisse Binder mit hoher Affinität für mindestens sechs Ziele. Bei mindestens vier Zielen erreichten die Binder demnach eine Affinität, die der besten zuvor berichteten entsprach oder diese übertraf.

Das ist eine deutlich stärkere Evidenz als ein Benchmark, der nur vorhergesagte Strukturen oder vom Modell verfasste Erklärungen bewertet. Die Validierung beantwortet aber weiterhin eine eng begrenzte Frage: Bindet das entworfene Protein unter den jeweiligen Testbedingungen an das ausgewählte Ziel? Sie zeigt nicht, dass daraus ein sinnvoller Wirkstoff entsteht.

Das RBX1-Ergebnis und weitere auffällige Befunde

Eine der auffälligsten Vergleichszahlen von Anthropic betrifft RBX1. Für Claude-Designs meldete das Unternehmen eine Trefferquote von ungefähr 40 Prozent, gegenüber 3,7 Prozent bei früheren Wettbewerbsteilnehmern. Außerdem habe das System bei diesem Ziel das zuvor beste Wettbewerbsdesign übertroffen.

Anthropic berichtete zudem von ungewöhnlich starken Affinitätswerten bei einzelnen Kandidaten. Einige Designs hätten demnach mehrere Male stärker gebunden als die besten zuvor veröffentlichten Ergebnisse. Das sind vielversprechende Befunde, aber weiterhin vom Unternehmen gemeldete Resultate aus einer einzelnen Kampagne – kein Beweis für eine allgemein überlegene Leistung bei allen Aufgaben des Proteindesigns.

Ein Binder ist noch kein Medikament

Ein Proteinbinder ist ein Molekül, das so entwickelt wurde, dass es an ein biologisches Ziel bindet. Das kann für Therapien, Diagnostik und Forschungsreagenzien nützlich sein. Die Bindung ist jedoch nur ein früher Meilenstein.

Ein brauchbarer Wirkstoffkandidat muss unter anderem auch über die passende:

• Selektivität für das gewünschte Ziel;
• funktionelle Wirkung, etwa das Blockieren oder Aktivieren eines Signalwegs;
• Stabilität und Herstellbarkeit;
• Fähigkeit verfügen, das relevante Gewebe oder die relevante Zelle zu erreichen;
• Pharmakokinetik;
• Immunverträglichkeit; und
• Sicherheits- und Toxizitätsprofil verfügen.

Anthropic beschreibt die Arbeit selbst als frühen Schritt auf dem Weg zu wirkstoffähnlichen Molekülen – nicht als abgeschlossene End-to-End-Wirkstoffforschung. Die Kampagne belegte weder eine klinische Wirksamkeit noch die Sicherheit beim Menschen oder einen erfolgreichen Übergang in die Arzneimittelentwicklung.

Die wichtigsten Grenzen und die Kritik

Eine zentrale Einschränkung ist die Auswahl der Ziele. Proteinbinder sind im Allgemeinen leichter gegen zugängliche Ziele außerhalb von Zellen einzusetzen als gegen Proteine, die innerhalb von Zellen wirken. Martin Shkreli kritisierte die gemeldeten Affinitäten als zu schwach, um die weitergehenden pharmazeutischen Implikationen zu rechtfertigen. Außerdem verwies er auf das Fehlen schwieriger intrazellulärer Ziele.

Diese Kritik widerlegt nicht den im Labor gemessenen Befund, dass viele Designs an ihre Ziele banden. Sie grenzt jedoch die richtige Schlussfolgerung ein: Das Experiment zeigte, dass Claude in einem festgelegten Arbeitsablauf eine beträchtliche Zahl experimentell bestätigter Binder erzeugen kann. Es zeigte nicht, dass das System zuverlässig intrazelluläre Therapeutika entwickeln oder etablierte Verfahren der Arzneimittelentwicklung bei klinisch wichtigen Zielen übertreffen kann.

Die Evidenz stammt außerdem teilweise aus Unternehmensangaben. Die physische Herstellung und die Bindungstests wurden zwar von externen Organisationen durchgeführt, was die Glaubwürdigkeit der Ergebnisse erhöht. Eine unabhängige Wiederholung mit einer größeren und schwierigeren Auswahl an Zielen wäre jedoch ein aussagekräftigerer Test für die Übertragbarkeit.

Anthropics größere Vision für die Medikamentenentwicklung

Anthropic betrachtet das Design von Proteinbindern als Bestandteil eines größeren Vorhabens: eines End-to-End-Systems für die Wirkstoffentwicklung, das verschiedene Modalitäten verbindet und chemische sowie biologische Daten analysiert. Die breiter angelegte Initiative Claude Science kombiniert wissenschaftliche Arbeitsabläufe, Rechenwerkzeuge und Datenanalyse. Die Proteinkampagne zeigt, wie ein Agent diese Fähigkeiten mit experimenteller Arbeit verknüpfen könnte.

Anthropic zufolge sind die leistungsfähigsten Funktionen für Biowissenschaften derzeit nicht uneingeschränkt verfügbar. Das Unternehmen bezeichnet einen Zugang für Wissenschaftler als Priorität. Opus 5 sei gegenwärtig das leistungsfähigste allgemein verfügbare Modell für Forschung in den Biowissenschaften.

Der praktische Nutzen liegt daher nicht darin, dass ein KI-System das Labor überflüssig macht. Die Hoffnung ist vielmehr, dass autonome Systeme Zeit bei der Recherche zu Zielen, beim Ausführen von Software, bei der Vorauswahl von Kandidaten und bei der Entscheidung sparen, welche vergleichsweise kleine Zahl von Designs experimentell geprüft werden sollte.

Warum der Zugang eingeschränkt bleibt

Der Arbeitsablauf hat eine sogenannte Dual-Use-Dimension. Dieselbe Fähigkeit, biologische Systeme zu recherchieren, Proteine zu entwerfen und spezialisierte Werkzeuge zu koordinieren, könnte nützliche Forschung unterstützen – oder den für schädliche biologische Arbeiten nötigen Zeit- und Wissensaufwand senken.

Anthropic erklärt deshalb, dass Proteindesign und andere biologische Forschungsfunktionen mit möglichem Doppelverwendungszweck auf den leistungsfähigsten Systemen nicht allgemein zugänglich sind. Stattdessen soll kontrollierter Zugang für qualifizierte Wissenschaftler ermöglicht werden. Die erklärte Herausforderung besteht darin, legitime therapeutische Forschung zu unterstützen und zugleich Hilfestellung bei der Entwicklung von Krankheitserregern, Toxinen oder anderen gefährlichen biologischen Anwendungen zu begrenzen.

Diese Sicherheitsfrage ist nicht von der technischen Leistung zu trennen. Je autonomer ein Modell von einer biologischen Fragestellung zu konkreten molekularen Designs gelangen kann, desto wichtiger wird es, nicht nur die Funktionalität der Designs zu bewerten. Ebenso entscheidend sind die Fragen, wer Zugang zu dem Arbeitsablauf erhält, welche Schutzmaßnahmen gelten und wie die Nutzung überwacht wird.

Fazit

Anthropics Demonstration zeigt, dass Claude Mythos Preview und Claude Opus 4.8 bestehende Werkzeuge für das Proteindesign autonom koordinieren und experimentell bestätigte Binder mit gemeldeten Trefferquoten von 22,6 bis 35,1 Prozent erzeugen können. Von 1.320 Designs banden 354 an ihre Ziele; für 14 von 15 ausgewerteten Zielen wurde mindestens ein Binder gefunden.

Das ist ein wichtiger Beleg für KI-gestütztes Proteindesign in der frühen Wirkstoffforschung. Es ist aber weder ein autonomes System zur Entdeckung von Medikamenten noch eine Lösung für intrazelluläres Targeting und auch kein Ersatz für die lange Kette aus Optimierung, Toxikologie, klinischen Studien und behördlicher Zulassung.

Der nächste entscheidende Test lautet, ob sich die Ergebnisse bei schwierigeren und weniger bekannten Zielen wiederholen lassen – und ob diese Fähigkeiten breit genug für nützliche Forschung zugänglich gemacht werden können, ohne zugleich gefährliche biologische Hilfestellung allgemein verfügbar zu machen.