Claude自動設計蛋白質黏合劑，濕實驗在15個標靶中驗證14個

蛋白質藥物設計最耗時的環節之一，是從大量候選序列中找出真正能抓住疾病標靶的分子。Anthropic公布一項由Claude自主執行的蛋白質黏合劑設計實驗：在具備可解讀測量結果的15個標靶中，模型為14個找到經濕實驗確認的黏合劑，顯示通用型AI可能開始介入原本需要多輪計算與人工判斷的早期研發流程。

技術報告顯示，Claude Opus 4.8與Mythos Preview針對16個蛋白質標靶展開多場24至48小時的自主設計任務，使用既有蛋白質設計工具產生、評估並反覆改良序列。研究人員將1,320個設計送交實驗，共確認354個能與目標結合，整體命中率約27%；依不同實驗配置計算，單一設計的成功率介於22%至35%。Anthropic以過往蛋白質設計計畫常見的10%至15%作為比較，但不同標靶、篩選門檻與檢測方法並不完全一致，這項差距不能直接視為標準化效能排名。

這次結果的關鍵不只在電腦模擬。Adaptyv Bio與Twist Bioscience分別依模型交付的序列合成蛋白質，並採用不同實驗格式測量結合表現，降低單一實驗室或單一檢測平台造成的偏差。若只看Claude在每個標靶、每場任務中排在第一名的設計，其中49%獲得實驗確認，暗示模型的排序能力可能與生成能力同樣重要。

個別案例也呈現出更具體的效力訊號。針對參與蛋白質泛素化的RBX1，Claude提出的90個序列中有28個成功結合；測得最強者的親和力為3.9奈莫耳濃度，同一實驗板上測試的競賽獲獎設計則為45奈莫耳濃度。不過，這是單一標靶與特定測試條件下的比較，不能據此推論模型在所有蛋白質或藥物任務上都具有相同優勢。

Anthropic也在Hugging Face公開涵蓋16個標靶、共1,440筆設計摘要的資料集，內容包括蛋白質序列、生成工具、最佳化輪次、模型排名、預測結構，以及兩家實驗機構取得的結合與親和力資料。資料集紀錄數高於上述1,320個主要實驗設計，反映公開範圍涵蓋更完整的任務紀錄；這項釋出有助其他研究者重做分析，檢查模型是否偏好特定蛋白質結構或評分方法。

真正的藥物開發門檻則從結合確認之後才逐一出現。黏合劑還須證明能改變疾病相關功能，並具備足夠的選擇性、穩定性、可製造性與體內暴露；免疫反應、毒性、動物療效及人體試驗也都尚未在這項研究中回答。因而，這次成果較適合被視為早期候選生成與排序效率的驗證，而非AI已能獨立完成新藥研發的證據。