Claude designet proteinbindere for 14 av 15 mål. Dette viser forsøket egentlig

Det samlede laboratorieresultatet var tilsvarende: 354 av 1 320 design bandt de tiltenkte målene, en samlet trefferate på 26,8 prosent. Bare ett av de evaluerte målene ga ingen bindere.

Tallene bør likevel ikke leses som en universell suksessrate. Resultatene varierte betydelig mellom målene, fra null til 90 prosent. I et mer konsentrert forsøk, der Mythos arbeidet med ett mål om gangen i 24 timer, oppnådde modellen den høyeste rapporterte raten på 35,1 prosent. Kampanjer mot flere mål samtidig ga lavere resultater.

Hva gjorde Claude egentlig?

Forsøket gikk ikke ut på at en språkmodell fant opp et helt nytt fagfelt innen proteinforskning. En menneskelig ekspert på proteindesign laget først en instruksjon på rundt 30 000 tokens som beskrev arbeidsflyten. Deretter arbeidet Claude med svært lite videre menneskelig styring.

Innenfor denne rammen kunne Claude blant annet:

• undersøke de valgte målene;
• velge hvor kandidatproteinene skulle binde;
• installere og koordinere offentlig tilgjengelige verktøy for strukturprediksjon og proteindesign;
• generere proteinkandidater;
• filtrere, rangere og forbedre kandidatene; og
• velge hvilke design som skulle testes i laboratoriet.

Dette skillet er viktig. Det mest oppsiktsvekkende var ikke at Claude fant opp alle de underliggende beregningsmetodene, men at modellen kunne styre en lang prosess med flere verktøy og ta beslutninger om hvilke enkeltkandidater som var verdt å teste.

Målsettet omfattet både etablerte referansemål og nyere konkurransemål. Det gjør resultatet mer informativt enn en ren datasimulering, selv om kjennskap til referansemålene fortsatt kan ha påvirket prestasjonen.

Derfor betyr laboratorietestene noe

En datamodell kan forutsi at et protein bør binde seg til et mål uten at proteinet faktisk lar seg produsere, folder seg riktig eller binder seg i et eksperiment. Derfor sendte Anthropic designene til eksterne testpartnere.

Adaptyv Bio mottok designene uten å vite hvilken modell som hadde laget dem. Selskapets automatiserte prosess gikk fra digital proteinkode til DNA-syntese, produksjon av protein, måling av binding og kvalitetskontroll. Bindingen ble målt med overflateplasmonresonans, en metode som registrerer hvor sterkt molekyler fester seg til hverandre. Resultatet var 354 bindere blant 1 320 design.

Twist Bioscience produserte og testet også designene uavhengig. Anthropic sier resultatene omfattet bindere med høy affinitet mot minst seks mål, samt bindere som matchet eller overgikk den beste tidligere rapporterte affiniteten mot minst fire mål.

Dette er sterkere dokumentasjon enn en test som bare vurderer predikerte strukturer eller modellens egne forklaringer. Men laboratorietestene besvarer fortsatt et avgrenset spørsmål: Binder det designede proteinet seg til det valgte målet under de aktuelle testbetingelsene? Det sier ikke om proteinet er et nyttig legemiddel.

RBX1-resultatet og andre sterke påstander

En av Anthropics mest oppsiktsvekkende sammenligninger gjelder RBX1. Anthropic rapporterte en trefferate på rundt 40 prosent for Claudes design, mot 3,7 prosent blant tidligere deltakere i en designkonkurranse. Selskapet sa også at systemet slo det tidligere vinnerdesignet for dette målet.

Anthropic rapporterte dessuten uvanlig sterke affinitetsresultater for enkelte kandidater. Noen design skal ha bundet seg flere ganger sterkere enn de beste tidligere publiserte resultatene. Dette er lovende funn, men fortsatt selskapsrapporterte resultater fra én kampanje – ikke et endelig bevis på at Claude er overlegent i alle typer proteindesign.

En binder er ikke det samme som et legemiddel

En proteinbinder er et molekyl som er utviklet for å feste seg til et biologisk mål. Det kan være nyttig i behandlinger, diagnostikk og forskningsreagenser, men binding er bare en tidlig milepæl.

En mulig legemiddelkandidat må også ha riktig:

• selektivitet for det ønskede målet;
• biologisk effekt, for eksempel evne til å blokkere eller aktivere en signalvei;
• stabilitet og egenskaper som gjør masseproduksjon mulig;
• evne til å nå riktig vev eller celle;
• farmakokinetiske egenskaper, altså hvordan kroppen tar opp, fordeler, bryter ned og skiller ut stoffet;
• forenlighet med immunforsvaret; og
• sikkerhets- og toksisitetsprofil.

Anthropic beskriver selv arbeidet som et tidlig steg mot mer legemiddellignende molekyler, ikke som et resultat fra en komplett legemiddelutviklingsprosess. Forsøket viste verken klinisk effekt, sikkerhet hos mennesker eller vellykket videreføring gjennom utvikling og godkjenning.

Begrensninger og kritikk

Valget av mål er en viktig begrensning. Proteinbindere er som regel enklere å utvikle mot tilgjengelige mål utenfor cellene enn mot proteiner som befinner seg inne i cellene. Martin Shkreli kritiserte de rapporterte affinitetene som for svake til å underbygge de bredere farmasøytiske implikasjonene, og trakk frem mangelen på krevende intracellulære mål.

Kritikken opphever ikke laboratoriefunnet om at mange av designene faktisk bandt til målene sine. Den begrenser imidlertid hva man med rimelighet kan konkludere med. Forsøket viste at Claude kan produsere et betydelig antall eksperimentelt bekreftede bindere gjennom en bestemt arbeidsflyt. Det viste ikke at systemet pålitelig kan lage behandlinger mot mål inne i celler, eller at det slår etablerte metoder for legemiddelutvikling på tvers av klinisk viktige mål.

Dokumentasjonen er også delvis basert på Anthropics egne rapporter. At selve proteinene ble produsert og testet av eksterne aktører, styrker resultatet. Likevel vil uavhengig gjentakelse på et bredere og vanskeligere utvalg av mål være nødvendig for å vise hvor generaliserbar metoden er.

Anthropics større ambisjon for legemiddelutvikling

Anthropic fremstiller proteindesign som én del av en større ambisjon: et helhetlig system som kan kombinere flere typer data og bidra til å fremskynde legemiddelutvikling. Selskapets bredere Claude Science-satsing samler forskningsarbeidsflyter, beregningsverktøy og analyse av vitenskapelige data. Proteinforsøket viser hvordan en agent kan knytte disse funksjonene til eksperimentelt arbeid.

Anthropic sier at de mest avanserte funksjonene for biovitenskap foreløpig ikke er åpne for ubegrenset bruk. Selskapet har pekt på et tilgangsprogram for forskere som en prioritet, og opplyser at Opus 5 for tiden er den mest kapable modellen som er allment tilgjengelig for forskning innen biovitenskap.

Den praktiske lovnaden er derfor ikke at AI fjerner behovet for laboratoriet. Poenget er snarere at autonome systemer kan redusere tiden som brukes på å undersøke mål, kjøre programvare, sortere kandidater og velge ut det mindre antallet design som fortjener eksperimentell oppfølging.

Hvorfor funksjonene er begrenset

Arbeidsflyten har en tydelig risiko for såkalt dobbelt bruk. Den samme evnen til å undersøke biologiske systemer, designe proteiner og koordinere spesialverktøy kan støtte nyttig forskning – eller redusere kompetansen og tiden som kreves for skadelig biologisk arbeid.

Anthropic sier at proteindesign og andre biologiske forskningsfunksjoner med mulig dobbelt bruk fortsatt ikke er tilgjengelige for alle på selskapets mest kapable systemer. Kontrollert tilgang eller tilgang for klarerte og kvalifiserte forskere skal gjøre det mulig å støtte legitim terapeutisk forskning, samtidig som hjelp til patogenutvikling, toksinrelatert arbeid og annen farlig biologisk aktivitet begrenses.

Dette er ikke et spørsmål som kan skilles fra selve teknologien. Jo mer autonomt en modell kan gå fra et biologisk spørsmål til konkrete molekylære design, desto viktigere blir det å vurdere hvem som får tilgang, hvilke sikkerhetstiltak som gjelder og hvordan bruken overvåkes.

Konklusjonen

Anthropics demonstrasjon viste at Claude Mythos Preview og Claude Opus 4.8 kan koordinere eksisterende proteindesignverktøy autonomt og produsere eksperimentelt bekreftede bindere med en rapportert trefferate på 22,6–35,1 prosent. Av 1 320 design bandt 354 seg til målene sine, og 14 av 15 evaluerte mål ga minst én binder.

Det er et betydelig bevispunkt for AI-støttet proteindesign i tidlig legemiddelforskning. Men det er ikke et autonomt system for å oppdage legemidler, det løser ikke utfordringen med intracellulære mål, og det erstatter ikke den lange veien gjennom optimalisering, toksikologiske tester, kliniske studier og myndighetsgodkjenning.

Den neste testen blir om resultatene kan gjentas på vanskeligere og mindre kjente mål – og om funksjonene kan gjøres bredt nyttige uten at farlig biologisk bistand også blir bredt tilgjengelig.