Claude ออกแบบโปรตีนจับเป้าหมายได้ 14 จาก 15 เป้าหมาย แต่ยังไม่ใช่ “ยาที่ออกแบบโดย AI”

เมื่อรวมผลการทดลองทั้งหมด มีโปรตีน 354 จาก 1,320 แบบที่จับกับเป้าหมายได้ คิดเป็นอัตราโดยรวม 26.8% และมีเพียงหนึ่งเป้าหมายที่ไม่พบโปรตีนจับเป้าหมายเลย

อย่างไรก็ตาม ไม่ควรนำตัวเลขนี้ไปตีความเป็นอัตราความสำเร็จสากลของ Claude ผลลัพธ์แตกต่างกันมากในแต่ละเป้าหมาย โดยอัตรารายเป้าหมายอยู่ตั้งแต่ 0% ถึง 90% การทดลองที่ให้ Mythos มุ่งทำงานกับเป้าหมายทีละรายการเป็นเวลา 24 ชั่วโมงทำอัตราสูงสุดที่ 35.1% ขณะที่การทำงานกับหลายเป้าหมายพร้อมกันมีอัตราต่ำกว่า

Claude ทำอะไรในการทดลองนี้

การทดลองไม่ได้หมายความว่าโมเดลภาษาคิดค้นศาสตร์การออกแบบโปรตีนขึ้นมาใหม่ทั้งหมด ผู้เชี่ยวชาญด้านการออกแบบโปรตีนเป็นผู้จัดทำพรอมต์เริ่มต้นความยาวประมาณ 30,000 โทเคน เพื่ออธิบายขั้นตอนการทำงาน จากนั้น Claude จึงดำเนินการต่อโดยมีมนุษย์เข้ามาชี้นำเพิ่มเติมเพียงเล็กน้อย

ภายใต้กรอบดังกล่าว Claude สามารถ:

• ค้นคว้าข้อมูลเกี่ยวกับเป้าหมายที่เลือก
• เลือกบริเวณที่โปรตีนควรเข้าไปจับ
• ติดตั้งและประสานงานเครื่องมือสาธารณะสำหรับทำนายโครงสร้างและออกแบบโปรตีน
• สร้างลำดับกรดอะมิโนของโปรตีนตัวเลือก
• คัดกรอง จัดอันดับ และปรับปรุงตัวเลือก
• เลือกแบบที่ควรส่งไปผลิตและทดสอบในห้องแล็บ

จุดสำคัญจึงอยู่ที่ความสามารถในการจัดการกระบวนการทำงานหลายขั้นตอนที่ต้องใช้เครื่องมือจำนวนมาก และตัดสินใจเลือกผู้สมัครแต่ละราย ไม่ใช่การที่ Claude เป็นผู้คิดค้นวิธีคำนวณพื้นฐานทั้งหมดขึ้นมาเอง

ชุดเป้าหมายมีทั้งเป้าหมายมาตรฐานที่ใช้เปรียบเทียบกับงานก่อนหน้า และเป้าหมายใหม่จากการแข่งขันด้านการออกแบบโปรตีน แม้ลักษณะนี้จะทำให้ผลการทดลองมีข้อมูลมากกว่าการทดสอบเชิงคอมพิวเตอร์ล้วน ๆ แต่ก็ยังต้องระวังว่าความคุ้นเคยกับเป้าหมายมาตรฐานอาจมีผลต่อประสิทธิภาพ

เหตุใดการทดสอบในห้องแล็บจึงสำคัญ

แบบจำลองคอมพิวเตอร์อาจคาดการณ์ว่าโปรตีนชนิดหนึ่งน่าจะจับกับเป้าหมายได้ แต่ไม่ได้รับประกันว่าโปรตีนนั้นจะผลิตได้จริง พับตัวเป็นโครงสร้างที่เหมาะสม หรือจับกับเป้าหมายได้ในการทดสอบทางชีวภาพ

Anthropic จึงส่งแบบโปรตีนไปให้พันธมิตรภายนอกทดสอบ โดย Adaptyv Bio ได้รับลำดับโปรตีนโดยไม่ทราบว่าแบบใดสร้างโดยโมเดลใด จากนั้นใช้ระบบอัตโนมัติตั้งแต่สังเคราะห์ DNA ผลิตโปรตีน วัดการจับ ไปจนถึงตรวจสอบคุณภาพ บริษัทใช้วิธี surface plasmon resonance หรือ SPR ในการวัด และพบโปรตีนจับเป้าหมาย 354 แบบจากทั้งหมด 1,320 แบบ

Twist Bioscience ก็ผลิตและทดสอบแบบโปรตีนเหล่านี้อย่างเป็นอิสระเช่นกัน Anthropic ระบุว่าผลการทดลองประกอบด้วยโปรตีนที่มีความสามารถในการจับสูงสำหรับอย่างน้อย 6 เป้าหมาย และมีโปรตีนสำหรับอย่างน้อย 4 เป้าหมายที่ให้ค่าความสามารถในการจับเทียบเท่าหรือดีกว่าผลงานที่เคยรายงานไว้

การมีผลยืนยันจากห้องแล็บภายนอกมีน้ำหนักมากกว่าการประเมินจากโครงสร้างที่โมเดลคาดการณ์หรือคำอธิบายที่โมเดลสร้างขึ้นเอง แต่การทดสอบนี้ยังตอบคำถามที่ค่อนข้างจำกัด นั่นคือ โปรตีนที่ออกแบบสามารถจับกับเป้าหมายภายใต้เงื่อนไขการทดลองได้หรือไม่ ไม่ได้ตอบว่าโปรตีนนั้นเหมาะจะพัฒนาเป็นยาหรือไม่

ผลลัพธ์ RBX1 และตัวเลขที่โดดเด่น

หนึ่งในผลเปรียบเทียบที่ Anthropic ยกขึ้นมาคือเป้าหมาย RBX1 บริษัทระบุว่าแบบโปรตีนของ Claude มีอัตราความสำเร็จประมาณ 40% เทียบกับ 3.7% ในกลุ่มผู้เข้าแข่งขันจากการทดลองก่อนหน้า และระบุว่าระบบของตนทำผลงานเหนือกว่าแบบที่เคยชนะการแข่งขันในเป้าหมายนี้

Anthropic ยังรายงานว่าโปรตีนบางแบบมีความสามารถในการจับสูงเป็นพิเศษ โดยจับกับเป้าหมายได้แน่นกว่าผลงานที่ตีพิมพ์ไว้ก่อนหน้าหลายเท่า ข้อค้นพบเหล่านี้น่าสนใจ แต่ยังเป็นผลที่บริษัทเป็นผู้รายงานจากการทดลองครั้งเดียว ไม่ใช่หลักฐานว่าระบบเหนือกว่าวิธีออกแบบโปรตีนที่มีอยู่ในทุกประเภทของเป้าหมาย

โปรตีนที่จับได้ยังไม่ใช่ยา

โปรตีนจับเป้าหมายคือโมเลกุลที่ถูกออกแบบให้เข้าไปเกาะกับเป้าหมายทางชีววิทยา คุณสมบัตินี้อาจนำไปใช้กับยา เครื่องมือวินิจฉัย หรือสารสำหรับงานวิจัยได้ แต่เป็นเพียงจุดเริ่มต้นเท่านั้น

ผู้สมัครยาที่มีศักยภาพยังต้องผ่านการประเมินอีกหลายด้าน เช่น:

• ความจำเพาะต่อเป้าหมายที่ต้องการ
• ผลทางชีวภาพที่เกิดขึ้นจริง เช่น การยับยั้งหรือกระตุ้นเส้นทางสัญญาณ
• ความเสถียรและความสามารถในการผลิตในระดับอุตสาหกรรม
• ความสามารถในการเดินทางไปยังเนื้อเยื่อหรือเซลล์ที่ต้องการ
• คุณสมบัติทางเภสัชจลนศาสตร์ หรือการดูดซึม กระจายตัว และกำจัดออกจากร่างกาย
• ความเข้ากันได้กับระบบภูมิคุ้มกัน
• ความเป็นพิษ

ดังนั้น Anthropic จึงอธิบายงานนี้ว่าเป็นก้าวแรกสู่โมเลกุลที่มีลักษณะใกล้เคียงยา ไม่ใช่ผลลัพธ์ของการค้นพบยาแบบครบวงจร การทดลองยังไม่ได้แสดงประสิทธิผลทางคลินิก ความปลอดภัยในมนุษย์ หรือความสำเร็จในขั้นตอนการพัฒนายา

ข้อจำกัดและเสียงวิจารณ์

ข้อจำกัดสำคัญอยู่ที่ลักษณะของเป้าหมายที่เลือก โปรตีนจับเป้าหมายมักออกแบบได้ง่ายกว่าสำหรับเป้าหมายที่เข้าถึงได้จากภายนอกเซลล์ ขณะที่โปรตีนซึ่งทำงานอยู่ภายในเซลล์เป็นโจทย์ที่ยากกว่า

Martin Shkreli วิจารณ์ว่าค่าความสามารถในการจับที่รายงานบางส่วนยังอ่อนเกินกว่าจะรองรับข้อสรุปเชิงเภสัชกรรมที่กว้างขวาง และชี้ว่าการทดลองยังขาดเป้าหมายภายในเซลล์

คำวิจารณ์ดังกล่าวไม่ได้ลบล้างข้อเท็จจริงที่ว่าโปรตีนจำนวนมากจับกับเป้าหมายได้จริงในห้องแล็บ แต่ช่วยกำหนดขอบเขตของข้อสรุปให้ชัดเจนขึ้น การทดลองแสดงว่า Claude สามารถสร้างโปรตีนที่ยืนยันการจับได้จำนวนมากภายใต้กระบวนการที่กำหนดไว้ ยังไม่ได้แสดงว่าระบบสามารถสร้างยาที่ออกฤทธิ์ภายในเซลล์ได้อย่างน่าเชื่อถือ หรือทำผลงานเหนือกว่าวิธีพัฒนายาที่มีอยู่กับเป้าหมายสำคัญทางคลินิกทุกประเภท

หลักฐานส่วนหนึ่งยังมาจากการรายงานของ Anthropic เอง แม้การสังเคราะห์และการทดสอบทางกายภาพจะดำเนินการโดยองค์กรภายนอก ซึ่งช่วยเพิ่มความน่าเชื่อถือ แต่การทำซ้ำโดยหน่วยงานอิสระกับชุดเป้าหมายที่กว้างและยากขึ้นจะช่วยยืนยันว่าผลลัพธ์นี้ใช้ได้ทั่วไปเพียงใด

เป้าหมายที่กว้างกว่า: ระบบพัฒนายาแบบครบวงจร

Anthropic มองการออกแบบโปรตีนจับเป้าหมายเป็นส่วนหนึ่งของเป้าหมายที่ใหญ่กว่า นั่นคือระบบที่ช่วยพัฒนายาได้ตั้งแต่ต้นจนจบและรองรับข้อมูลหลายรูปแบบ ทั้งข้อมูลทางเคมีและชีววิทยา

โครงการ Claude Science ของบริษัทผสานขั้นตอนการทำงานด้านวิทยาศาสตร์ เครื่องมือคำนวณ และการวิเคราะห์ข้อมูล เพื่อช่วยให้นักวิจัยทำงานได้เร็วขึ้น ขณะที่การทดลองออกแบบโปรตีนครั้งนี้แสดงให้เห็นว่าเอเจนต์ AI อาจเชื่อมความสามารถเหล่านั้นเข้ากับงานทดลองจริงได้อย่างไร

Anthropic ระบุว่าความสามารถด้านวิทยาศาสตร์ชีวภาพที่ทรงพลังที่สุดของบริษัทยังไม่เปิดให้ใช้อย่างเสรี บริษัทให้ความสำคัญกับการเปิดโครงการให้เข้าถึงได้เฉพาะนักวิทยาศาสตร์ที่ผ่านการคัดกรอง และระบุว่า Opus 5 เป็นโมเดลที่มีความสามารถสูงสุดสำหรับงานวิจัยด้านชีววิทยาศาสตร์ที่เปิดให้ใช้งานทั่วไปในขณะนี้

ประโยชน์ที่เป็นไปได้จึงไม่ใช่การกำจัดห้องแล็บออกจากกระบวนการ แต่คือการลดเวลาที่ใช้กับการค้นคว้าเป้าหมาย การเรียกใช้ซอฟต์แวร์ การคัดแยกผู้สมัครจำนวนมาก และการตัดสินใจว่าโปรตีนจำนวนน้อยชุดใดควรได้รับการทดสอบจริง

เหตุใดความสามารถนี้จึงถูกจำกัดการเข้าถึง

กระบวนการดังกล่าวมีความเสี่ยงแบบใช้ได้สองทาง หรือ dual use ความสามารถเดียวกันในการศึกษาระบบชีววิทยา ออกแบบโปรตีน และประสานงานเครื่องมือเฉพาะทาง อาจสนับสนุนทั้งงานวิจัยที่เป็นประโยชน์และงานชีวภาพที่เป็นอันตราย

Anthropic ระบุว่าความสามารถด้านการออกแบบโปรตีนและงานวิจัยชีววิทยาแบบใช้ได้สองทางยังไม่เปิดให้บุคคลทั่วไปใช้งานบนระบบที่มีความสามารถสูงสุด โดยมีแนวคิดให้เข้าถึงผ่านระบบควบคุมหรือผู้ใช้งานที่ผ่านการตรวจสอบ บริษัทต้องการสนับสนุนงานวิจัยเพื่อการรักษา ขณะจำกัดความช่วยเหลือที่อาจเกี่ยวข้องกับการดัดแปลงเชื้อก่อโรค งานเกี่ยวกับสารพิษ หรือกิจกรรมชีวภาพที่เป็นอันตรายรูปแบบอื่น

ประเด็นด้านนโยบายนี้แยกออกจากผลทางเทคนิคไม่ได้ ยิ่งโมเดลสามารถเดินหน้าจากคำถามทางชีววิทยาไปสู่แบบโมเลกุลที่นำไปทดลองได้ด้วยตัวเองมากเท่าไร การประเมินก็ยิ่งต้องครอบคลุมมากกว่าว่า “แบบนั้นใช้ได้หรือไม่” แต่ต้องถามด้วยว่าใครเข้าถึงกระบวนการนี้ได้ มีมาตรการป้องกันอะไร และการใช้งานถูกติดตามอย่างไร

สรุป

การสาธิตของ Anthropic แสดงให้เห็นว่า Claude Mythos Preview และ Claude Opus 4.8 สามารถประสานงานเครื่องมือออกแบบโปรตีนที่มีอยู่แล้ว และสร้างโปรตีนจับเป้าหมายที่ยืนยันผลได้ในห้องแล็บ โดยมีอัตราความสำเร็จรายงานอยู่ที่ 22.6%–35.1% จากโปรตีน 1,320 แบบ มี 354 แบบจับกับเป้าหมาย และ 14 จาก 15 เป้าหมายที่ประเมินให้ผลลัพธ์อย่างน้อยหนึ่งแบบ

นี่เป็นหลักฐานสำคัญว่า AI อาจช่วยยกระดับการออกแบบโปรตีนระยะเริ่มต้นได้ แต่ยังไม่ใช่ระบบค้นพบยาโดยอัตโนมัติ ไม่ได้แก้ปัญหาการนำส่งไปยังเป้าหมายภายในเซลล์ และไม่สามารถแทนที่กระบวนการปรับปรุงโมเลกุล การทดสอบพิษวิทยา การทดลองทางคลินิก และการอนุมัติตามกฎระเบียบได้

บททดสอบต่อไปคือผลลัพธ์นี้จะทำซ้ำได้หรือไม่กับเป้าหมายที่ยากกว่าและไม่คุ้นเคยมากขึ้น และวงการจะทำให้ความสามารถดังกล่าวเกิดประโยชน์ในวงกว้างได้อย่างไร โดยไม่เปิดทางให้ความช่วยเหลือด้านชีววิทยาที่เป็นอันตรายแพร่หลายไปพร้อมกัน