Claudeの「14／15」タンパク質設計成功が示すもの――創薬AIではなく、初期研究を動かす自律ワークフロー

Anthropicが公開したClaudeのタンパク質設計実験は、「AIが新薬を自力で発見した」という話として読むよりも、自律的な科学研究ワークフローが実験室でどこまで機能するかを試した成果として捉えるのが適切です。

Claude Mythos PreviewとClaude Opus 4.8は、生物学的な標的を調べ、結合させる場所や設計方針を選び、専門ツールを動かし、候補配列を作成・選別したうえで、実験に回す設計を決めました。外部の研究施設で検証された結果、1,320件の設計のうち354件が意図した標的に結合しました。

これは創薬のごく初期段階における、意味のある前進です。しかし、Claudeが薬を発見したこと、難しいタンパク質治療薬の課題を解決したこと、研究者や臨床開発を置き換えられることを示すものではありません。

「15標的中14標的」の中身

Anthropicによると、Claudeは実験評価された15標的のうち14標的で、少なくとも1つの有効なバインダーを設計しました。使用されたのはClaude Mythos PreviewとClaude Opus 4.8です。設計方法によってヒット率は**22.6～35.1%となり、Anthropicが示すこの種の新規バインダー設計における業界水準の目安、約10～15%**を上回りました。

外部実験の集計でも、1,320件中354件が標的に結合し、全体のヒット率は**26.8%**でした。評価対象のうち、バインダーが1件も得られなかった標的は1つだけでした。

ただし、これをClaudeの普遍的な成功率と見ることはできません。標的ごとの結果には大きなばらつきがあり、報告されたヒット率は0～90%の範囲に及びました。Mythosが1標的ずつに24時間集中した試験では35.1%に達した一方、複数標的を同時に扱うキャンペーンではそれより低い結果になりました。

なお、最初に選ばれた標的は16件でしたが、実験的に評価できたのは15件です。そのため、発表の中心的な数字は「14／15」となっています。

Claudeは何を自律的に行ったのか

この実験は、AIがタンパク質科学の基礎手法をすべて発明したという意味ではありません。まず人間のタンパク質設計専門家が、約3万トークンに及ぶワークフローの指示を書きました。その後、Claudeは追加の人間による細かな誘導をほとんど受けずに、次の工程を進めました。

• 標的となるタンパク質を調査する
• 候補タンパク質を結合させる場所を選ぶ
• 公開されている構造予測・タンパク質設計ツールを導入し、連携させる
• 候補配列を生成する
• 候補をフィルタリング、順位付け、改良する
• 実験に送る設計を選ぶ

つまり、今回の主な成果は新しい計算手法そのものの発明ではなく、複数の専門ツールをつないだ長い設計工程を管理し、候補の取捨選択まで自律的に実行した点にあります。

標的には、過去のコンテストなどで使われた既知のベンチマーク対象に加え、新しい競技用の対象も含まれていました。純粋なコンピューター上の演習よりは現実的な評価ですが、ベンチマークに関する既存情報が性能に影響した可能性まで消えるわけではありません。

実験室での検証が重要な理由

コンピューター上で「結合するはず」と予測されたタンパク質が、実際に発現し、正しく折りたたまれ、測定条件下で結合するとは限りません。そこでAnthropicは、設計を外部の検証パートナーに送りました。

Adaptyv Bioは、どのモデルが設計したかを知らされない形で候補を受け取り、DNA合成、タンパク質発現、結合測定、品質管理までを自動化した実験工程で実施しました。表面プラズモン共鳴（SPR）を使った測定では、1,320件中354件の結合が確認されました。

Twist Bioscienceも、設計を独立に製造・試験しました。Anthropicによれば、少なくとも6標的で高親和性のバインダーが得られ、少なくとも4標的では、過去に報告された最良の結合親和性と同等以上の結果が含まれていました。

これは、予測構造やAIが作成した説明文だけを評価するベンチマークより強い証拠です。ただし、実験が答えている問いは限定されています。確認されたのは、設計されたタンパク質が、設定された条件下で標的に結合するかという点です。治療薬として役立つかどうかは、まだ別の問題です。

RBX1の結果と注目された数値

Anthropicが特に強調した比較の一つが、RBX1という標的です。同社は、Claudeの設計で約**40%のヒット率が得られたのに対し、過去のコンテスト参加者では3.7%**だったと報告しています。また、Claudeのシステムが、それまでの同標的における優勝設計を上回ったとも説明しました。

一部の候補では、過去に公表された最良の結果より数倍強く結合したものもあったとされています。注目すべき成果ではありますが、いずれも単一キャンペーンについての企業側の報告です。タンパク質設計全般で広く優位に立つことを証明したわけではありません。

バインダーは薬ではない

タンパク質バインダーとは、生物学的な標的に結合するよう設計された分子です。治療薬、診断薬、研究用試薬につながる可能性はありますが、結合はあくまで初期段階のマイルストーンです。

薬の候補として先に進むには、通常、次のような性質も求められます。

• 意図した標的だけを狙う選択性
• 生体内の経路を阻害・活性化する機能
• 十分な安定性と製造しやすさ
• 必要な組織や細胞へ到達する能力
• 体内動態、つまり薬物が吸収・分布・代謝・排泄される性質
• 免疫反応を引き起こしにくい性質
• 毒性の低さ

Anthropic自身も、この取り組みを薬に近い分子を生み出すための初期ステップとして説明しており、臨床での有効性、人での安全性、承認に向けた開発の成功を示したものではないと位置づけています。

主な限界と批判

重要な限界の一つは、標的の選び方です。タンパク質バインダーは一般に、細胞内で働くタンパク質よりも、アクセスしやすい細胞外の標的を相手にする方が設計・検証しやすいとされています。

Martin Shkreliは、報告された親和性は大きな製薬上の主張を支えるには弱く、細胞内の難しい標的が含まれていないと批判しました。

この批判は、実験で多くの設計が標的に結合したという事実そのものを否定するものではありません。一方で、結論の範囲を狭める材料にはなります。今回示されたのは、Claudeが定められたワークフローのもとで、多数の実験確認済みバインダーを生み出せることです。細胞内治療薬を安定して設計できることや、臨床的に重要な標的全般で既存の創薬手法を上回ることではありません。

また、結果の解釈には企業発表に基づく部分が残ります。合成や測定を外部組織が担ったことは信頼性を高めますが、より多様で難しい標的を使った独立再現が行われれば、結果の一般性をさらに検証できます。

Anthropicが描く創薬の先

Anthropicは、タンパク質バインダー設計を、創薬を加速するエンドツーエンドのマルチモーダルなシステム構想の一部として位置づけています。より広い「Claude Science」の取り組みでは、研究ワークフロー、計算ツール、科学データの分析を組み合わせ、タンパク質設計の実験は、AIエージェントがそれらの機能を実験工程につなげられることを示す事例とされています。

Anthropicは、科学者が高性能なモデルを利用できるアクセスプログラムの開始を優先課題として挙げています。2026年8月時点で、同社はOpus 5を生命科学研究向けに一般提供されている最も高性能なモデルだと説明しています。

実用上の期待は、AIが研究室をなくすことではありません。標的の調査、ソフトウェアの実行、大量候補の選別、実験に回す候補の絞り込みにかかる時間を短縮し、研究者が比較的少数の有望な設計を効率よく試せるようにすることです。

なぜ高度な生物学機能は制限されるのか

このワークフローには、デュアルユース（善用と悪用の両方が可能）という側面があります。生物学的な標的を調べ、タンパク質を設計し、専門ツールを連携させる能力は、治療研究を支援する一方で、有害な生物学的研究に必要な専門知識や時間を減らす可能性もあります。

Anthropicは、最も高性能なシステムにおいて、タンパク質設計などのデュアルユース性を持つ生物学研究機能を一般利用の対象外とし、資格を確認した科学者向けの管理されたアクセスを想定しています。正当な治療研究を支援しながら、病原体の設計、毒素関連の作業、その他の危険な生物学的活動につながる支援を制限することが課題です。

これは技術成果と切り離せない論点です。モデルが生物学上の問いから候補分子の設計までを自律的に進められるようになるほど、設計が機能するかだけでなく、誰が利用できるのか、どのような安全策があるのか、利用状況をどう監視するのかが重要になります。

結論

Anthropicの実験が示したのは、Claude Mythos PreviewとClaude Opus 4.8が、既存のタンパク質設計ツールを自律的に組み合わせ、報告上22.6～35.1%のヒット率で実験確認済みのバインダーを生み出せるということです。1,320件の設計のうち354件が標的に結合し、評価された15標的のうち14標的で少なくとも1つのバインダーが得られました。

これは、AIによる初期タンパク質設計における重要な実証例です。しかし、完全な自律型創薬システムでも、細胞内標的の問題を解決したものでもありません。バインダーから薬へ進むには、最適化、毒性試験、臨床試験、規制当局による審査という長い工程が残されています。

次の焦点は、より難しく、モデルが事前に詳しく知らない標的でも結果が再現するかどうかです。そしてもう一つの課題は、こうした能力を治療研究に広く役立てながら、危険な生物学的支援まで広く利用可能にしない仕組みをどう設計するかです。