Claude 跨界蛋白質設計：拿下 14 個靶點，命中率達行業水平兩倍

首次發布 2026年8月18日傳播指數 38

Anthropic 展示 Claude 在生命科學的突破：在蛋白質從頭設計測試中，Claude 拿下 15 個靶點中的 14 個，結合命中率最高達 35.1%，比行業水準翻倍；同時能在 25 分鐘內完成化學純度分析。這意味著大模型能大幅縮短早期藥物研發週期。目前官方正籌備科研准入計劃。

過去做新藥研發，光是設計一個能精準咬住病毒或病變蛋白的微型蛋白，資深計算生物學家往往要折騰幾個月。

Anthropic 最近把這個任務交給了自家的通用大模型。它們測試了 Claude Mythos Preview 和 Opus 4.8，讓 AI 在幾乎沒有人類干預的情況下，自主呼叫專業工具去設計結合蛋白。

設計出來的分子被送到 Adaptyv Bio 和 Twist Bioscience 的溼實驗室進行真實合成與檢測。結果在測試的 15 個靶標中，Claude 成功搞定了 14 個。

命中率翻倍，還順手看懂了化驗單

蛋白從頭設計最怕紙上談兵。行業裡常規的溼實驗命中率通常在 10% 到 15% 之間，能測出結合就算運氣不錯。

Claude 這次交出的成績單有點嚇人。在多靶標同時設計的模式下，命中率達到了 22% 到 26%；如果讓它一次只專攻一個靶標，命中率直接拉到了 35.1%。

15 個靶標裡，Claude 在至少 6 個靶標上拿出了高親和力結合劑，有 4 個甚至追平或超越了公開文獻裡的最好紀錄。總共 1320 個候選分子裡，篩選出了 354 個有效結合分子。

為了證明模型不是在背訓練資料，團隊還特意挑了 15-PGDH 和 GDF-8 這兩個近期競賽的新靶標，Claude 同樣通過了驗證。

除了設計蛋白，Anthropic 還讓公開發布的 Claude Opus 5 試著看化學實驗資料。只給兩句提示詞和儀器原始檔案，模型不到 25 分鐘就完成了核磁共振與質譜分析，測出的樣品純度是 96.4%，而外部實驗室專業分析的結果是 96.33%。

整個過程最讓人意外的，是人類科學家的角色變了。

以往的研究人員需要親自寫指令碼、串聯 AlphaFold 等各種結構預測模型，再手動反覆篩選。而這次研究員只給了 Claude 初始任務說明、網路許可權，以及 Google Drive、Slack 和 BioRxiv 等介面。

剩下的活全由 Claude 自己排程：它自主決定靶標上的結合位點，呼叫現成的結構設計與摺疊模型，自己執行多輪計算機最佳化，最後選出最具潛力的序列。

當然，這筆算力開銷並不小。在單靶標模式下，每個任務消耗了最多 2500 個輝達 H100 GPU 小時；多靶標任務則用掉了最多 12500 個 H100 小時。

Anthropic 透露，為了安全起見，目前最強模型裡的生命科學研究能力仍然處於攔截狀態。但他們正準備面向科研人員推出專門的科學家訪問計劃。

對生物醫藥從業者來說，這項進展意味著早期藥物發現的門檻正在被通用大模型重塑。

以前生物初創公司想要推進幾個靶標，必須花大價錢組建頂尖的計算生物學團隊，併購買昂貴的專門軟體。如果未來通用模型能以 35% 的命中率自主排程開源工具，小型實驗室就能把主要精力留給溼實驗驗證，研發週期可能會從幾個月壓縮到幾天。

對 AI 行業而言，Anthropic 展現了一條不同於傳統專用生物模型的新路子。AlphaFold 等專用模型負責看清結構，而像 Claude 這樣的通用推理模型則扮演「實驗室統帥」，負責讀文獻、做決策和串聯工具。

我們認為，Anthropic 這一步走得相當漂亮，它沒有試圖重新發明輪子，而是把通用模型的推理能力當成了科學研究的膠水。不過隱患依然存在：上萬個 H100 小時的算力成本極高，普通科研機構目前根本燒不起，而且生物安全邊界依然敏感，這也是 Anthropic 遲遲不敢全量開放許可權的核心原因。