Claude 跨界蛋白质设计：拿下 14 个靶点，命中率达行业水平两倍

首次发布 2026年8月18日传播指数 38

Anthropic 展示 Claude 在生命科学的突破：在蛋白质从头设计测试中，Claude 拿下 15 个靶点中的 14 个，结合命中率最高达 35.1%，比行业水准翻倍；同时能在 25 分钟内完成化学纯度分析。这意味着大模型能大幅缩短早期药物研发周期。目前官方正筹备科研准入计划。

过去做新药研发，光是设计一个能精准咬住病毒或病变蛋白的微型蛋白，资深计算生物学家往往要折腾几个月。

Anthropic 最近把这个任务交给了自家的通用大模型。它们测试了 Claude Mythos Preview 和 Opus 4.8，让 AI 在几乎没有人类干预的情况下，自主调用专业工具去设计结合蛋白。

设计出来的分子被送到 Adaptyv Bio 和 Twist Bioscience 的湿实验室进行真实合成与检测。结果在测试的 15 个靶标中，Claude 成功搞定了 14 个。

命中率翻倍，还顺手看懂了化验单

蛋白从头设计最怕纸上谈兵。行业里常规的湿实验命中率通常在 10% 到 15% 之间，能测出结合就算运气不错。

Claude 这次交出的成绩单有点吓人。在多靶标同时设计的模式下，命中率达到了 22% 到 26%；如果让它一次只专攻一个靶标，命中率直接拉到了 35.1%。

15 个靶标里，Claude 在至少 6 个靶标上拿出了高亲和力结合剂，有 4 个甚至追平或超越了公开文献里的最好纪录。总共 1320 个候选分子里，筛选出了 354 个有效结合分子。

为了证明模型不是在背训练数据，团队还特意挑了 15-PGDH 和 GDF-8 这两个近期竞赛的新靶标，Claude 同样通过了验证。

除了设计蛋白，Anthropic 还让公开发布的 Claude Opus 5 试着看化学实验数据。只给两句提示词和仪器原始文件，模型不到 25 分钟就完成了核磁共振与质谱分析，测出的样品纯度是 96.4%，而外部实验室专业分析的结果是 96.33%。

整个过程最让人意外的，是人类科学家的角色变了。

以往的研究人员需要亲自写脚本、串联 AlphaFold 等各种结构预测模型，再手动反复筛选。而这次研究员只给了 Claude 初始任务说明、网络权限，以及 Google Drive、Slack 和 BioRxiv 等接口。

剩下的活全由 Claude 自己调度：它自主决定靶标上的结合位点，调用现成的结构设计与折叠模型，自己运行多轮计算机优化，最后选出最具潜力的序列。

当然，这笔算力开销并不小。在单靶标模式下，每个任务消耗了最多 2500 个英伟达 H100 GPU 小时；多靶标任务则用掉了最多 12500 个 H100 小时。

Anthropic 透露，为了安全起见，目前最强模型里的生命科学研究能力仍然处于拦截状态。但他们正准备面向科研人员推出专门的科学家访问计划。

对生物医药从业者来说，这项进展意味着早期药物发现的门槛正在被通用大模型重塑。

以前生物初创公司想要推进几个靶标，必须花大价钱组建顶尖的计算生物学团队，并购买昂贵的专门软件。如果未来通用模型能以 35% 的命中率自主调度开源工具，小型实验室就能把主要精力留给湿实验验证，研发周期可能会从几个月压缩到几天。

对 AI 行业而言，Anthropic 展现了一条不同于传统专用生物模型的新路子。AlphaFold 等专用模型负责看清结构，而像 Claude 这样的通用推理模型则扮演「实验室统帅」，负责读文献、做决策和串联工具。

我们认为，Anthropic 这一步走得相当漂亮，它没有试图重新发明轮子，而是把通用模型的推理能力当成了科学研究的胶水。不过隐患依然存在：上万个 H100 小时的算力成本极高，普通科研机构目前根本烧不起，而且生物安全边界依然敏感，这也是 Anthropic 迟迟不敢全量开放权限的核心原因。