Claude band för 14 av 15 mål – men det är inte ett AI-skapat läkemedel

I laboratoriet blev resultatet liknande: 354 av 1 320 designer band sina avsedda mål, en total träffnivå på 26,8 procent. Endast ett av de utvärderade målen gav inga bindare.

Siffrorna ska däremot inte läsas som en generell framgångsgrad. Resultaten varierade kraftigt mellan målen – från noll till 90 procent. I en mer fokuserad körning, där Mythos arbetade med ett mål i taget under 24 timmar, nåddes den högsta rapporterade nivån på 35,1 procent. Kampanjer där flera mål hanterades samtidigt gav lägre resultat.

Vad gjorde Claude egentligen?

Experimentet innebar inte att en språkmodell uppfann ett helt nytt forskningsfält eller utvecklade alla metoder som användes. En mänsklig specialist på proteindesign skrev först en instruktion på omkring 30 000 tokens som beskrev arbetsflödet. Därefter arbetade Claude med mycket begränsad mänsklig styrning.

Inom ramen för instruktionen kunde Claude:

• undersöka de utvalda biologiska målen;
• välja var på målen kandidatproteinerna skulle binda;
• installera och samordna offentligt tillgängliga verktyg för strukturprediktion och proteindesign;
• generera kandidatsekvenser;
• filtrera, rangordna och förfina kandidaterna; samt
• välja vilka designer som skulle testas i laboratoriet.

Det är en viktig skillnad. Det centrala resultatet handlar om att modellen kunde hantera en lång kedja av verktyg och fatta beslut om vilka kandidater som var värda att testa – inte om att den uppfann varje underliggande beräkningsmetod.

Måluppsättningen innehöll både etablerade jämförelsemål och nyare mål från proteindesign-tävlingar. Det gör experimentet mer informativt än en rent syntetisk datorsimulering, även om tidigare kunskap om vissa jämförelsemål kan ha påverkat resultatet.

Därför spelar laboratorietesterna roll

En dator kan förutsäga att ett protein borde binda till ett mål utan att proteinet faktiskt kan produceras, veckas korrekt eller binda i ett experiment. Därför skickade Anthropic sina designer till externa testpartners.

Adaptyv Bio fick designerna utan att veta vilken modell som hade skapat dem. Företagets automatiserade process gick från digital proteinsekvens till DNA-syntes, proteinproduktion, bindningsmätning och kvalitetskontroll. Bindningen mättes med ytplasmonresonans, en metod som används för att mäta hur starkt molekyler interagerar, och 354 bindare hittades bland 1 320 designer.

Twist Bioscience producerade och testade också designerna självständigt. Anthropic uppger att resultaten omfattade bindare med hög affinitet mot minst sex mål, samt bindare som nådde upp till eller överträffade den bästa tidigare rapporterade affiniteten för minst fyra mål.

Detta är starkare evidens än ett test som enbart bygger på förutsagda strukturer eller modellens egna förklaringar. Men valideringen besvarar fortfarande en begränsad fråga: band det designade proteinet till det utvalda målet under de aktuella testförhållandena? Den visar inte att proteinet är användbart som behandling.

RBX1 och andra uppmärksammade resultat

En av Anthropics mest uppmärksammade jämförelser gäller proteinet RBX1. Anthropic rapporterade en träffnivå på omkring 40 procent för Claudes designer, jämfört med 3,7 procent bland tidigare tävlingsbidrag. Företaget uppgav också att systemet överträffade den tidigare vinnardesignen för det målet.

Anthropic rapporterade dessutom ovanligt starka affinitetsresultat för vissa kandidater. Några designer uppgavs binda flera gånger hårdare än de bästa tidigare publicerade resultaten. Det är lovande, men resultaten kommer fortfarande från en enskild kampanj och är huvudsakligen rapporterade av företaget självt. De bevisar därför inte en bred överlägsenhet inom all proteindesign.

En bindare är inte ett läkemedel

En proteinbindare är en molekyl som konstruerats för att fästa vid ett biologiskt mål. Det kan vara användbart för läkemedel, diagnostik och forskningsverktyg, men bindningen är bara ett tidigt delmål.

En möjlig läkemedelskandidat behöver dessutom ofta ha rätt:

• selektivitet för det avsedda målet;
• funktionell effekt, exempelvis att blockera eller aktivera en biologisk signalväg;
• stabilitet och möjlighet att tillverkas i stor skala;
• förmåga att nå rätt vävnad eller cell;
• farmakokinetiska egenskaper, alltså hur kroppen tar upp och bryter ned molekylen;
• immunologisk kompatibilitet; samt
• säkerhets- och toxicitetsprofil.

Anthropic beskriver själv arbetet som ett tidigt steg mot läkemedelsliknande molekyler – inte som ett färdigt system för läkemedelsutveckling från början till slut. Kampanjen visade varken klinisk effekt, säkerhet hos människor eller framgång genom läkemedelsutvecklingens senare faser.

Begränsningar och kritik

Vilka mål som valdes är en viktig begränsning. Proteinbindare är generellt lättare att utveckla mot tillgängliga mål utanför cellerna än mot proteiner som verkar inne i cellerna. Martin Shkreli kritiserade de rapporterade affiniteterna som för svaga för de bredare läkemedelsimplikationer som antytts och pekade på frånvaron av svåra intracellulära mål.

Kritiken motbevisar inte laboratoriefyndet att många designer faktiskt band sina mål. Däremot begränsar den vilken slutsats som är rimlig. Experimentet visade att Claude kan ta fram ett stort antal experimentellt bekräftade bindare inom ett definierat arbetsflöde. Det visade inte att systemet på ett tillförlitligt sätt kan skapa behandlingar mot intracellulära mål eller överträffa etablerade läkemedelsmetoder för kliniskt viktiga mål.

Underlaget är också delvis företagsrapporterat. Att den fysiska produktionen och testerna genomfördes av externa organisationer stärker resultatets trovärdighet, men oberoende upprepningar på fler och svårare mål skulle ge ett starkare test av hur allmängiltiga resultaten är.

Anthropics större ambition inom läkemedelsutveckling

Anthropic beskriver proteindesign som en del av en större ambition: ett system som på sikt kan stödja läkemedelsutveckling från början till slut och hantera flera typer av biologiska och kemiska data. Satsningen Claude Science kombinerar forskningsarbetsflöden, beräkningsverktyg och vetenskaplig dataanalys. Proteinkampanjen visar hur en AI-agent kan koppla samman dessa förmågor med experimentellt arbete.

Anthropic uppger att de mest avancerade funktionerna för livsvetenskaplig forskning inte är öppna för obegränsad användning. Företaget har sagt att ett program för forskartillgång är en prioritet och att Opus 5 för närvarande är den mest kapabla allmänt tillgängliga modellen för forskning inom livsvetenskaperna.

Den praktiska potentialen ligger alltså inte i att AI ersätter laboratoriet. Snarare kan autonoma system minska tiden som forskare lägger på att undersöka mål, köra programvara, sålla bland kandidater och välja ut den mindre grupp designer som förtjänar experimentell uppmärksamhet.

Varför funktionerna är begränsade

Arbetsflödet har en tydlig så kallad dual-use-dimension: samma förmåga att undersöka biologiska system, designa proteiner och samordna specialverktyg kan användas för legitim forskning – eller minska den kunskap och tid som krävs för skadligt biologiskt arbete.

Anthropic säger därför att proteindesign och andra biologiska funktioner med möjlig dubbla användning fortfarande inte är tillgängliga för allmänheten i företagets mest kapabla system. I stället är målet kontrollerad eller betrodd tillgång för kvalificerade forskare. Företaget beskriver utmaningen som att stödja legitim terapeutisk forskning utan att samtidigt underlätta patogenkonstruktion, toxinrelaterat arbete eller annan farlig biologisk verksamhet.

Säkerhetspolitiken är inte frikopplad från det tekniska resultatet. Ju mer självständigt en modell kan gå från en biologisk fråga till molekylära kandidatdesigner, desto viktigare blir det att granska inte bara om designerna fungerar, utan också vem som får tillgång till arbetsflödet, vilka skydd som finns och hur användningen övervakas.

Slutsats

Demonstrationen visade att Claude Mythos Preview och Claude Opus 4.8 kan samordna befintliga verktyg för proteindesign och ta fram experimentellt bekräftade bindare med en rapporterad träffnivå på 22,6–35,1 procent. Av 1 320 designer band 354 sina mål, och 14 av 15 utvärderade mål gav minst en bindare.

Det är ett betydelsefullt bevis på att AI kan bidra effektivt till tidig proteindesign. Men det är inte ett autonomt system för läkemedelsupptäckt, ingen lösning på intracellulär målstyrning och ingen ersättning för den långa vägen genom optimering, toxikologiska studier, kliniska prövningar och myndighetsgranskning.

Det verkliga nästa testet blir om resultaten kan upprepas på svårare och mindre välbekanta mål – och om tekniken kan göras användbar för bredare forskning utan att farlig biologisk hjälp samtidigt blir allmänt tillgänglig.