Claude zaprojektował wiązania białkowe dla 14 z 15 celów. To jeszcze nie jest lek

Łączny wynik laboratoryjny był podobny: 354 z 1320 projektów wiązały się z właściwymi celami, co daje 26,8%. Tylko jeden z ocenianych celów nie przyniósł żadnych wiązań.

Nie należy traktować tych danych jako uniwersalnego wskaźnika skuteczności. Wyniki mocno różniły się między celami — od zera do 90%. Najwyższy odsetek, 35,1%, uzyskano w skoncentrowanej kampanii, w której Mythos pracował nad pojedynczymi celami przez 24 godziny. Kampanie obejmujące wiele celów jednocześnie wypadały słabiej.

Co właściwie robił Claude?

Nie był to przypadek, w którym model językowy stworzył od podstaw całą nową dziedzinę biologii białek. Ludzki specjalista przygotował wcześniej liczący około 30 tysięcy tokenów prompt, opisujący sposób pracy. Potem Claude działał przy minimalnym dodatkowym kierowaniu przez człowieka.

W ramach tego procesu Claude:

• wyszukiwał informacje o wybranych celach;
• wybierał miejsca, w których kandydackie białka powinny się wiązać;
• instalował i koordynował publicznie dostępne narzędzia do przewidywania struktur oraz projektowania białek;
• generował sekwencje kandydatów;
• filtrował, oceniał i udoskonalał projekty;
• wybierał białka do sprawdzenia w laboratorium.

To rozróżnienie ma znaczenie. Najważniejszym osiągnięciem była zdolność do prowadzenia długiego procesu wykorzystującego wiele narzędzi oraz podejmowania decyzji o wyborze kandydatów — a nie wynalezienie wszystkich użytych metod obliczeniowych.

Zestaw celów obejmował zarówno znane cele benchmarkowe, jak i nowsze cele wykorzystywane w konkursach projektowania białek. Dzięki temu wynik jest bardziej informatywny niż czysto syntetyczny test komputerowy, choć nie wyklucza, że znajomość części benchmarków mogła wpłynąć na rezultaty.

Dlaczego testy laboratoryjne są ważne?

Model obliczeniowy może przewidzieć, że białko powinno się wiązać z określonym celem, ale nie gwarantuje to, że białko rzeczywiście da się wytworzyć, prawidłowo sfałduje się i zadziała w teście. Dlatego Anthropic przekazał projekty zewnętrznym partnerom do weryfikacji.

Adaptyv Bio otrzymało projekty bez informacji o tym, który model je stworzył. Zautomatyzowany proces obejmował przejście od cyfrowej sekwencji białka przez syntezę DNA i ekspresję białka aż po pomiar wiązania i kontrolę jakości. Firma wykorzystała rezonans plazmonów powierzchniowych i wykryła 354 wiązania wśród 1320 projektów.

Projekty niezależnie wytworzyła i przetestowała także firma Twist Bioscience. Anthropic twierdzi, że uzyskano między innymi wiązania o wysokim powinowactwie dla co najmniej sześciu celów, a dla co najmniej czterech — wyniki dorównujące najlepszym wcześniej opublikowanym albo od nich lepsze.

To mocniejszy dowód niż benchmark oparty wyłącznie na przewidywanych strukturach lub wyjaśnieniach wygenerowanych przez model. Weryfikacja odpowiada jednak na wąskie pytanie: czy zaprojektowane białko wiąże się z wybranym celem w określonych warunkach testowych? Nie pokazuje jeszcze, czy może być użyteczną terapią.

Wynik dla RBX1 i inne wyróżniające się dane

Jedno z najciekawszych porównań Anthropic dotyczyło celu RBX1. Firma podała około 40-procentowy odsetek trafień dla projektów Claude’a wobec 3,7% wśród wcześniejszych uczestników konkursu. Według Anthropic system przebił także wcześniejszy zwycięski projekt dla tego celu.

Anthropic informował również o wyjątkowo wysokim powinowactwie niektórych kandydatów — część z nich miała wiązać się z celami kilka razy silniej niż najlepsze wcześniej opublikowane projekty. To obiecujące dane, ale nadal są to wyniki przedstawione przez samą firmę w ramach jednej kampanii, a nie dowód powszechnej przewagi nad innymi metodami projektowania białek.

Wiązanie białkowe to jeszcze nie lek

Wiązanie białkowe to cząsteczka zaprojektowana tak, aby przyłączała się do określonego celu biologicznego. Może znaleźć zastosowanie w terapii, diagnostyce lub jako odczynnik badawczy, ale samo wiązanie jest dopiero wczesnym etapem.

Kandydat na lek musi zwykle mieć także odpowiednią:

• selektywność wobec zamierzonego celu;
• funkcję biologiczną, na przykład zdolność blokowania lub aktywowania szlaku;
• stabilność i możliwość produkcji na większą skalę;
• zdolność docierania do właściwej tkanki lub komórki;
• charakterystykę farmakokinetyczną;
• zgodność immunologiczną;
• charakterystykę toksyczności.

Anthropic przedstawia ten eksperyment jako wczesny krok w kierunku cząsteczek o właściwościach zbliżonych do leków, a nie jako pełny rezultat odkrywania leku. Kampania nie wykazała skuteczności klinicznej, bezpieczeństwa u ludzi ani pomyślnego przejścia przez kolejne etapy rozwoju terapii.

Ograniczenia i krytyka

Ważnym ograniczeniem jest dobór celów. Projektowanie wiązań białkowych jest na ogół łatwiejsze dla dostępnych celów zewnątrzkomórkowych niż dla białek działających wewnątrz komórek. Martin Shkreli skrytykował raportowane powinowactwa jako zbyt słabe, by uzasadniały szerokie wnioski farmaceutyczne, i zwrócił uwagę na brak trudnych celów wewnątrzkomórkowych.

Krytyka ta nie unieważnia laboratoryjnego ustalenia, że wiele projektów wiązało się z wybranymi celami. Ogranicza jednak właściwą interpretację wyniku. Eksperyment pokazał, że Claude może w ramach zdefiniowanego procesu wygenerować znaczną liczbę potwierdzonych eksperymentalnie wiązań. Nie pokazał, że system niezawodnie tworzy terapie działające wewnątrz komórek ani że przewyższa sprawdzone metody opracowywania leków dla wszystkich istotnych klinicznie celów.

Część dowodów nadal pochodzi z raportów Anthropic. Syntezę białek i testy przeprowadziły zewnętrzne firmy, co zwiększa wiarygodność wyniku, ale niezależne powtórzenia na szerszym i trudniejszym zestawie celów lepiej sprawdziłyby jego uniwersalność.

Szersze ambicje Anthropic w opracowywaniu leków

Anthropic przedstawia projektowanie wiązań białkowych jako jeden z elementów większej wizji: systemu obejmującego różne typy danych i cząsteczek, który mógłby przyspieszyć cały proces opracowywania leków oraz analizę danych chemicznych i biologicznych. Inicjatywa Claude Science łączy przepływy pracy badawczej, narzędzia obliczeniowe i analizę danych naukowych, a kampania białkowa pokazuje, jak agent może połączyć te możliwości z pracą eksperymentalną.

Anthropic informuje, że najbardziej zaawansowane funkcje biologiczne nie są obecnie dostępne bez ograniczeń. Firma wskazuje program dostępu dla naukowców jako jeden z priorytetów i twierdzi, że Opus 5 jest obecnie jej najbardziej zaawansowanym ogólnie dostępnym modelem do badań z zakresu nauk biologicznych.

Praktyczna obietnica nie polega na wyeliminowaniu laboratoriów. Chodzi raczej o skrócenie czasu potrzebnego na analizę celów, uruchamianie oprogramowania, sortowanie kandydatów i wybór niewielkiej grupy projektów zasługujących na kosztowne testy eksperymentalne.

Dlaczego te możliwości są ograniczane?

Ten proces ma charakter podwójnego zastosowania. Zdolność do analizowania układów biologicznych, projektowania białek i koordynowania specjalistycznych narzędzi może wspierać pożyteczne badania, ale może też obniżyć poziom wiedzy i czas potrzebny do prowadzenia szkodliwych prac biologicznych.

Anthropic twierdzi, że projektowanie białek i inne biologiczne możliwości o podwójnym zastosowaniu pozostają niedostępne w ogólnym dostępie dla najbardziej zaawansowanych systemów. Kontrolowany dostęp ma być przeznaczony dla zweryfikowanych naukowców. Deklarowanym celem firmy jest wspieranie legalnych badań terapeutycznych przy jednoczesnym ograniczaniu pomocy, która mogłaby ułatwiać modyfikowanie patogenów, prace nad toksynami lub inne niebezpieczne działania biologiczne.

Polityka bezpieczeństwa nie jest tu dodatkiem niezwiązanym z możliwościami technicznymi. Im bardziej autonomicznie model potrafi przejść od pytania biologicznego do kandydackich projektów molekularnych, tym ważniejsze stają się nie tylko pytania o to, czy projekty działają, lecz także o to, kto ma dostęp do procesu, jakie zabezpieczenia mu towarzyszą i jak jego użycie jest monitorowane.

Wniosek

Demonstracja Anthropic pokazała, że Claude Mythos Preview i Claude Opus 4.8 mogą autonomicznie koordynować istniejące narzędzia do projektowania białek i tworzyć potwierdzone eksperymentalnie wiązania przy raportowanym odsetku trafień od 22,6% do 35,1%. Spośród 1320 projektów 354 wiązały się z celami, a dla 14 z 15 ocenianych celów znaleziono co najmniej jedno wiązanie.

To ważny dowód na przydatność AI we wczesnym projektowaniu białek. Nie jest to jednak autonomiczny system odkrywania leków, rozwiązanie problemu celów wewnątrzkomórkowych ani zamiennik długiego procesu optymalizacji, badań toksykologicznych, testów klinicznych i oceny regulacyjnej. Kolejny sprawdzian będzie polegał na powtórzeniu wyników dla trudniejszych i mniej znanych celów — oraz na tym, czy te możliwości da się udostępnić naukowcom bez powszechnego zwiększania dostępu do niebezpiecznej pomocy biologicznej.