Claude 的蛋白質設計測試：係高效科研流程，唔係 AI 自己造出一隻藥

Anthropic 呢次示範，最準確嘅理解唔係「AI 已經發明咗一隻新藥」，而係 AI 可以自主統籌一套早期科研流程。

Claude Mythos Preview 同 Claude Opus 4.8 先研究生物目標，再揀選設計策略、操作專門工具、產生候選蛋白質，最後決定邊啲設計送去實驗室測試。外部實驗室測試結果顯示，1,320 個設計入面有 354 個成功結合指定目標。

呢個對藥物研究最早期階段嚟講係一個值得留意嘅進展，但唔代表 Claude 已經獨立發現藥物、解決蛋白質藥物最棘手嘅問題，或者可以取代實驗室及臨床開發。

14 個目標成功，數字背後點睇？

Anthropic 表示，Claude 為 15 個經實驗評估嘅目標中至少 14 個設計出有效結合劑。今次使用嘅模型係 Claude Mythos Preview 及 Claude Opus 4.8。視乎實驗安排，報告命中率介乎 22.6% 至 35.1%，而 Anthropic 引用嘅同類從頭設計蛋白質結合劑業界水平約為 10% 至 15%。

整體實驗結果亦相近：1,320 個設計中有 354 個成功結合目標，即整體命中率 26.8%；只有一個經評估目標完全搵唔到結合劑。

但呢啲數字唔應該當成 Claude 嘅「通用成功率」。唔同目標嘅表現差距好大，個別目標命中率由 0% 到 90% 不等。當 Mythos 每次集中處理一個目標 24 小時，報告中最高命中率達 35.1%；同時處理多個目標嘅測試，命中率就較低。

另外，研究揀選嘅目標包括過往已有基準資料嘅目標，以及較新嘅競賽目標。咁樣比純粹電腦模擬更有參考價值，但亦未能完全排除模型對基準或相關資料較熟悉，從而影響表現嘅可能性。

Claude 實際上做咗啲乜？

呢次唔係語言模型憑空創造一門全新蛋白質科學。首先，一位人類蛋白質設計專家提供咗一份大約 30,000 個 token 嘅提示，詳細講解工作流程；之後 Claude 只接受好少人手引導。

喺呢個框架之下，Claude：

• 研究指定生物目標；
• 決定候選蛋白質應該喺邊個位置結合；
• 安裝及協調公開可用嘅結構預測、蛋白質設計工具；
• 產生候選序列；
• 篩選、排序及改良候選設計；以及
• 揀選最後送去實驗室測試嘅蛋白質。

真正重要嘅地方係：Claude 自主處理一條較長、需要多次使用工具嘅設計流程，並作出逐個候選設計嘅取捨；但底層計算方法本身，並唔係由 Claude 發明。

換句話講，今次示範嘅核心價值係「科研流程自動化同協調能力」，而唔係一個完全由 AI 取代專家、工具同實驗室嘅藥物研發系統。

點解實驗室驗證咁重要？

電腦模型可以預測一個蛋白質應該會結合目標，但預測唔代表蛋白質一定能夠成功表達、正確摺疊，或者喺實驗測試中真係有結合效果。因此，Anthropic 將設計交畀外部合作方製造及測試。

Adaptyv Bio 收到設計時唔知道邊個模型產生咗邊個結果。佢哋用自動化流程，將數碼蛋白質序列轉成 DNA，再製造及表達蛋白質，之後量度結合效果同進行品質控制。公司以表面等離子共振技術（SPR）測試，喺 1,320 個設計中搵到 354 個結合劑。

Twist Bioscience 亦獨立製造及測試相關設計。Anthropic 表示，結果包括至少 6 個目標嘅高親和力結合劑，以及至少 4 個目標嘅結合劑，其表現達到或超過過往最佳報告。

呢種濕實驗室驗證，當然比單靠預測結構或者模型自己寫解釋嘅基準測試有力。不過，佢實際上只回答咗一條較窄嘅問題：設計出嚟嘅蛋白質，喺指定測試條件下係咪可以同目標結合？

佢未能證明呢個蛋白質係一隻有用嘅藥。

RBX1 及其他突出結果

其中一個較受關注嘅比較係 RBX1。Anthropic 報告指，Claude 設計喺呢個目標嘅命中率約為 40%，而過往競賽參加者嘅命中率係 3.7%；公司亦表示，Claude 嘅系統超越咗之前喺該目標勝出嘅設計。

Anthropic 亦表示，部分候選蛋白質嘅親和力非常高，有設計比過往最佳公開結果強幾倍。呢啲都係令人鼓舞嘅數據，但目前仍然係單次活動嘅公司報告，唔足以證明 Claude 喺各種蛋白質設計任務上都普遍優勝。

結合劑唔等於藥物

蛋白質結合劑，簡單講就係經工程設計、用嚟黐住某個生物目標嘅蛋白質。佢可以用於治療、診斷或者科研試劑，但「識得結合」只係早期里程碑。

一個有潛力成為藥物嘅候選物，通常仲要具備：

• 對指定目標嘅選擇性；
• 足夠而合適嘅功能效果，例如阻截或啟動某條生物通路；
• 穩定性及可製造性；
• 抵達相關組織或細胞嘅能力；
• 合適嘅藥代動力學；
• 可接受嘅免疫相容性；以及
• 可接受嘅毒性風險。

Anthropic 自己亦將今次工作定位為通往「類藥物分子」嘅早期一步，而唔係一個由頭到尾完成藥物發現嘅成果。實驗冇展示臨床療效、人體安全性，亦冇展示成功通過藥物開發流程。

主要限制：目標難度同親和力

目標選擇係一個重要限制。一般嚟講，蛋白質結合劑較容易針對暴露喺細胞外、較容易接觸到嘅目標；至於喺細胞內運作嘅蛋白質，設計及遞送都更加困難。

Martin Shkreli 就批評，部分報告嘅親和力太弱，未足以支持外界對其藥物研發意義嘅廣泛解讀；佢亦指出，今次欠缺具挑戰性嘅細胞內目標。

呢啲批評唔會推翻「好多設計喺實驗中成功結合目標」呢個具體發現，但會收窄我哋應該下嘅結論：實驗顯示 Claude 喺一套指定流程下，可以產生相當數量、經實驗確認嘅結合劑；但未顯示佢可以可靠地製造細胞內治療方案，或者喺所有臨床重要目標上擊敗現有藥物研發方法。

證據亦有一部分來自公司自己嘅報告。雖然蛋白質製造及測試由外部機構進行，增加咗結果可信度，但要判斷呢套方法係咪具備廣泛通用性，仍然需要喺更多、更難、更加陌生嘅目標上由獨立團隊重複驗證。

Anthropic 想行到邊？

Anthropic 將蛋白質結合劑設計視為更大目標嘅其中一環：建立一套可以處理多種資料及分子類型、由頭到尾協助加快藥物研發嘅系統。

公司推出嘅 Claude Science，將科研工作流程、計算工具及科學數據分析放埋一齊；今次蛋白質活動就示範咗 AI 代理點樣將呢啲能力接駁到實驗工作。

Anthropic 表示，目前最強嘅生命科學能力未開放畀所有人自由使用，並將推出科學家使用計劃列為優先事項；公司又指，Opus 5 目前係一般可用、最適合生命科學研究嘅模型。

實際承諾唔係「AI 可以令實驗室消失」，而係自主系統有機會減少研究目標、操作軟件、篩選候選物，以及決定邊少部分設計值得送去實驗室嘅時間同人力。

點解相關能力要限制開放？

呢套流程具有雙重用途。能夠研究生物系統、設計蛋白質及協調專門工具，固然可以推動有益嘅科研，但亦可能降低進行有害生物研究所需嘅專業門檻同時間成本。

Anthropic 表示，蛋白質設計及其他具雙重用途嘅生物研究能力，喺其最強系統上仍然唔會向一般用戶開放；公司傾向透過受控或可信任使用計劃，畀合資格科學家使用。公司要處理嘅問題係：一方面支援正當治療研究，另一方面限制可能涉及病原體工程、毒素研究或其他危險生物活動嘅協助。

呢個政策同技術結果其實分唔開。模型越能夠自主由一條生物問題行到候選分子設計，評估重點就越唔可以只放喺「設計係咪有效」；仲要問清楚邊個可以使用、流程有咩安全措施，以及使用情況點樣監察。

結論：真正突破係「協調」，唔係「已經有藥」

Anthropic 呢次示範顯示，Claude Mythos Preview 同 Claude Opus 4.8 可以自主協調現有蛋白質設計工具，並以報告所指 22.6% 至 35.1% 嘅命中率，產生經實驗確認嘅結合劑。喺 1,320 個設計中，有 354 個成功結合目標，而 15 個經評估目標中有 14 個至少產生一個結合劑。

呢個係 AI 輔助早期蛋白質設計嘅重要實證，但唔係自主藥物發現系統，亦未解決細胞內目標問題，更加唔能夠取代由候選物優化、毒理測試、臨床試驗到監管審批嘅漫長流程。

下一關係到結果可唔可以喺更難、更少人熟悉嘅目標上重現，以及呢類能力能否廣泛服務正當科研，同時避免危險生物協助亦變得人人可用。