קלוד תכנן חלבוני קישור ל-14 מתוך 15 מטרות — אבל זו עדיין לא תרופה שתוכננה בידי AI

במצטבר, 354 מתוך 1,320 עיצובים נקשרו למטרות שלהם — שיעור כולל של 26.8%. רק אחת מהמטרות שנבדקו לא הניבה אף חלבון קישור.

עם זאת, אין לראות בנתונים האלה שיעור הצלחה אוניברסלי. הביצועים השתנו מאוד בין המטרות, ונעו לפי הדיווחים מאפס ועד 90%. בניסוי ממוקד, שבו Mythos עבד על כל מטרה בנפרד במשך 24 שעות, נרשם השיעור הגבוה ביותר — 35.1%. בקמפיינים שבהם עבד המודל על כמה מטרות במקביל, השיעורים היו נמוכים יותר.

מה קלוד באמת עשה?

הניסוי לא כלל מודל שהמציא לבדו תחום חדש במדעי החלבונים. מומחה אנושי לתכנון חלבונים סיפק תחילה פרומפט בהיקף של כ-30 אלף טוקנים, ובו תואר תהליך העבודה. לאחר מכן פעל קלוד עם הכוונה אנושית נוספת מינימלית.

במסגרת הזו קלוד:

• חקר את המטרות שנבחרו;
• בחר היכן על המטרה כדאי לחלבון להיקשר;
• התקין ותיאם כלי קוד פתוח לחיזוי מבנים ולתכנון חלבונים;
• יצר רצפים של חלבונים מועמדים;
• סינן, דירג ושיפר את המועמדים; וכן
• בחר את העיצובים שישלחו לבדיקות במעבדה.

ההבחנה הזו חשובה. ההישג המרכזי אינו המצאה של כל השיטות החישוביות שעליהן התבסס התהליך, אלא היכולת לנהל רצף ארוך של משימות, להשתמש בכלים שונים ולקבל החלטות לגבי בחירת המועמדים.

מערך המטרות כלל מטרות מוכרות ששימשו בעבר להשוואת ביצועים, לצד מטרות חדשות יותר מתחרויות בתחום. הדבר הופך את הניסוי למעניין יותר מתרגיל חישובי מלאכותי בלבד, אך אינו שולל את האפשרות שהיכרות עם מטרות benchmark תרמה לתוצאות.

מדוע הבדיקה במעבדה חשובה?

מודל חישובי יכול לחזות שחלבון מסוים אמור להיקשר למטרה, אך חלבון אמיתי עדיין צריך להיווצר, להתקפל ולהיקשר בתנאי בדיקה ממשיים. לכן שלחה Anthropic את העיצובים לשותפים חיצוניים לבדיקה.

Adaptyv Bio קיבלה את העיצובים בלי לדעת איזה מודל יצר אותם. בתהליך האוטומטי שלה היא עברה מרצף חלבון דיגיטלי לסינתזת DNA, לייצור החלבונים, למדידת הקישור ולבקרת איכות. החברה מדדה את הקישור באמצעות תהודת פלזמון משטחית (SPR), ודיווחה על 354 חלבוני קישור מתוך 1,320 עיצובים.

גם Twist Bioscience ייצרה ובדקה את העיצובים באופן עצמאי. Anthropic אומרת שהתוצאות כללו חלבונים בעלי זיקה גבוהה לשש מטרות לפחות, וכן חלבונים שהציגו זיקה שווה או טובה יותר מהתוצאה הטובה ביותר שדווחה בעבר עבור לפחות ארבע מטרות.

זו ראיה חזקה יותר ממבחן שמבוסס רק על מבנים חזויים או על הסברים שנכתבו בידי המודל. אך הבדיקה עדיין עונה על שאלה מצומצמת: האם החלבון שתוכנן נקשר למטרה בתנאי הניסוי? היא אינה מוכיחה שהחלבון יהיה טיפול יעיל או שימושי.

התוצאה ב-RBX1 וטענות בולטות נוספות

אחת ההשוואות הבולטות של Anthropic נגעה ל-RBX1. החברה דיווחה על שיעור פגיעה של כ-40% בעיצובי קלוד, לעומת 3.7% בקרב משתתפים קודמים בתחרות, וכן טענה שהמערכת גברה על העיצוב הזוכה הקודם עבור מטרה זו.

Anthropic דיווחה גם על תוצאות זיקה חריגות בעוצמתן אצל חלק מהמועמדים, כולל עיצובים שנקשרו למטרות בעוצמה גבוהה פי כמה מהתוצאות הטובות ביותר שפורסמו בעבר. אלה ממצאים מבטיחים, אך עדיין מדובר בתוצאות שדווחו בידי החברה מתוך קמפיין יחיד — לא בהוכחה לעליונות כללית בכל משימות תכנון החלבונים.

חלבון שנקשר אינו תרופה

חלבון קישור הוא מולקולה שתוכננה להיצמד למטרה ביולוגית. יכול להיות לו שימוש בטיפול רפואי, באבחון או ככלי מחקר, אך עצם הקישור הוא רק אבן דרך מוקדמת.

מועמד לתרופה צריך בדרך כלל לעמוד גם בדרישות נוספות, ובהן:

• סלקטיביות למטרה הרצויה;
• השפעה תפקודית — למשל חסימה או הפעלה של מסלול ביולוגי;
• יציבות ויכולת ייצור;
• יכולת להגיע לרקמה או לתא הרלוונטיים;
• תכונות פרמקוקינטיות מתאימות;
• התאמה למערכת החיסון; וכן
• פרופיל רעילות מקובל.

Anthropic מתארת את העבודה כצעד מוקדם בדרך למולקולות דמויות-תרופה, ולא כתוצאה של תהליך שלם לגילוי תרופה. הקמפיין לא הוכיח יעילות קלינית, בטיחות בבני אדם או התקדמות מוצלחת לאורך שלבי פיתוח התרופה.

המגבלות והביקורת המרכזית

בחירת המטרות היא מגבלה חשובה. בדרך כלל קל יותר לתכנן חלבוני קישור נגד מטרות חוץ-תאיות ונגישות מאשר נגד חלבונים שפועלים בתוך התאים. מרטין שקְרֶלי מתח ביקורת על הזיקות שדווחו וטען שהן חלשות מדי ביחס למשמעות הפרמצבטית שיוחסה לניסוי, וכן הצביע על היעדרן של מטרות תוך-תאיות קשות.

הביקורת הזו אינה מבטלת את הממצא המעבדתי: עיצובים רבים אכן נקשרו למטרות שלהם. היא כן מצמצמת את המסקנה המתאימה. הניסוי הראה שקלוד מסוגל להפיק מספר ניכר של חלבונים שנקשרו למטרותיהם בתנאי בדיקה מוגדרים. הוא לא הראה שהמערכת מסוגלת ליצור באופן אמין תרופות נגד מטרות תוך-תאיות, או שהיא עדיפה על שיטות מבוססות לפיתוח תרופות במגוון מטרות בעלות חשיבות קלינית.

גם בסיס הראיות עדיין נשען בחלקו על דיווחי החברה. העובדה שסינתזת החלבונים והבדיקות בוצעו בידי ארגונים חיצוניים מחזקת את אמינות התוצאה, אך שחזור בלתי תלוי בקבוצות רחבות ומאתגרות יותר של מטרות יספק מבחן חזק יותר ליכולת הכללית של המערכת.

השאיפה הרחבה יותר של Anthropic

Anthropic מציגה את תכנון חלבוני הקישור כרכיב בשאיפה רחבה יותר: מערכת מקצה לקצה ורב-מודאלית שתסייע להאיץ פיתוח תרופות ולנתח נתונים כימיים וביולוגיים. יוזמת Claude Science משלבת תהליכי מחקר, כלים חישוביים וניתוח נתונים מדעיים, והקמפיין בתחום החלבונים מדגים כיצד סוכן AI יכול לחבר את היכולות האלה לעבודה ניסויית.

החברה אומרת שיכולות מדעי החיים המתקדמות ביותר שלה אינן זמינות כרגע לשימוש חופשי. היא הגדירה תוכנית גישה למדענים כאחד היעדים המרכזיים שלה, ומסרה כי Opus 5 הוא כיום המודל הזמין לכלל המשתמשים בעל היכולות הגבוהות ביותר למחקר במדעי החיים.

ההבטחה המעשית אינה שמערכת AI תבטל את הצורך במעבדה. הרעיון הוא שמערכות אוטונומיות יוכלו לקצר את הזמן המושקע בחקר מטרות, בהפעלת תוכנות, במיון מועמדים ובהחלטה אילו עיצובים — מתוך אלפים אפשריים — ראויים לבדיקה ניסויית.

מדוע היכולות מוגבלות?

לתהליך כזה יש היבט של שימוש כפול. אותה יכולת לחקור מערכות ביולוגיות, לתכנן חלבונים ולתאם כלים מקצועיים יכולה לסייע למחקר רפואי מועיל — אך גם להוריד את רף הידע והזמן הנדרשים לעבודה ביולוגית מזיקה.

Anthropic אומרת שתכנון חלבונים ויכולות ביולוגיות מתקדמות אחרות בעלות שימוש כפול אינן זמינות לכלל המשתמשים במערכות החזקות ביותר שלה. במקום זאת, היא מכוונת לגישה מבוקרת או מאומתת עבור מדענים מוסמכים. האתגר שהיא מציבה לעצמה הוא לאפשר מחקר טיפולי לגיטימי, ובמקביל להגביל סיוע שעלול לתרום להנדסת פתוגנים, לעבודה הקשורה לרעלנים או לפעילות ביולוגית מסוכנת אחרת.

המדיניות הזו אינה נפרדת מהתוצאה הטכנולוגית. ככל שמודל מסוגל לעבור באופן אוטונומי משאלה ביולוגית לעיצובים של מולקולות מועמדות, כך חשוב יותר לבדוק לא רק אם העיצובים עובדים, אלא גם מי יכול לגשת לתהליך, אילו אמצעי הגנה מלווים אותו וכיצד השימוש בו מנוטר.

אז מה באמת הוכח?

ההדגמה של Anthropic הראתה כי Claude Mythos Preview ו-Claude Opus 4.8 יכולים לתאם באופן אוטונומי כלים קיימים לתכנון חלבונים ולהפיק חלבוני קישור שאושרו בניסויי מעבדה, בשיעור פגיעה מדווח של 22.6% עד 35.1%. מתוך 1,320 עיצובים, 354 נקשרו למטרות שלהם, ול-14 מתוך 15 מטרות שנבדקו נמצא לפחות חלבון קישור אחד.

זהו מבחן משמעותי ליכולת של AI לסייע בתכנון חלבונים בשלבים המוקדמים של גילוי תרופות. אבל זו אינה מערכת אוטונומית לגילוי תרופות, היא אינה פתרון למטרות תוך-תאיות ואינה מחליפה את הדרך הארוכה של אופטימיזציה, בדיקות רעילות, ניסויים קליניים ואישור רגולטורי.

המבחן הבא יהיה האם התוצאות ישוחזרו מול מטרות קשות ופחות מוכרות — והאם אפשר להנגיש את היכולות למחקר רפואי לגיטימי בלי להפוך סיוע ביולוגי מסוכן לזמין לכולם.