Claude 自主設計蛋白質結合器，15 個目標中 14 個成功——全程無人干預

設計一個能結合指定目標的蛋白質，數十年來一直是專家的工作：從表位（epitope）、骨架到過濾門檻，每一步都需要老手判斷，再加上好幾天往返操作各種難搞的計算工具。Anthropic 如今發布了經實驗室驗證的結果，證明 Claude 能獨力完成整件事。在只給定目標蛋白名稱和一份書面操作協議的條件下，AI 代理針對 16 個蛋白質目標自主跑完了完整的結合器設計流程——而它設計出來的蛋白質真的有效，並由兩家獨立委外實驗室確認。

這份 8 月 18 日發表、標題為「Autonomous de novo protein binder design with Claude」的論文，數字很難不讓人注意。在全部合成並測試的 1,320 個設計中，354 個成功結合目標——命中率高達 27%，而業界一般水準只有 10–15%。若只看 Claude 為每個目標排名第一的設計，命中率達 49%。在 15 個取得可判讀數據的目標中，14 個找到了結合器，目標橫跨細胞激素（TNFα、VEGF-A）、細胞表面受體（PD-L1、TREM2、TrkA）、病毒蛋白（尼帕病毒 G、EBV 的 BHRF1）、Cas9 酶，以及 E3 泛素連接酶亞基 RBX1。

實驗怎麼跑的

實驗設計刻意「放手」。Anthropic 團隊寫了一份約 16,000 字的「操作協議提示詞」——把一整套結合器設計戰役的實務知識寫進去，涵蓋各階段、開源工具與篩選標準——但不明定任何目標的表位、骨架或序列。接著 Claude Opus 4.8 與 Claude Mythos Preview 便自主執行 24 到 48 小時的設計戰役：研究每個目標的生物學特性、決定攻擊哪個表面、安裝並執行 RFdiffusion3、Genie 3、Proteina-Complexa 等開源設計工具、在電腦中優化候選設計，最後為每個目標交付 30 個排名好的設計。

人類只在一頭一尾介入：選目標、提供一個有固定預算的雲端 GPU 帳號、下單合成、解讀結合數據。中間所有設計決策都由模型自己完成。兩家受託研究機構——瑞士的 Adaptyv Bio 與 Twist Bioscience——將每個設計原封不動地合成並測量結合力，雙方互不知曉對方結果。

擊敗公開競賽作品

最引人注目的比較，來自曾舉辦公開蛋白設計競賽的目標。E3 連接酶亞基 RBX1 近期的社群競賽中，245 個從無到有（de novo）的設計只有 9 個成功結合；Claude 的成績是 90 個中 28 個。它最強的 RBX1 結合器 K_D 達 3.9 nM——同一塊測定板上，競賽冠軍作品的數值是 45 nM。同一平台、並排量測，親和力差距約十二倍。

在 TREM2 上，Claude 三場戰役各自的前十名設計分別交出 9、10、10 個結合器。尼帕病毒 G 蛋白方面，Claude 命中 19/90，競賽場為 69/666。而在 TNFα——五款已上市生物製劑的靶點、多個先前 de novo 設計計畫都掛零的困難目標——Claude 找到了 12 個結合器，包括具跨物種反應性的設計，apparent K_D 低至 0.70 nM。

走向真實世界的訊號

多項次要結果顯示這些不只是跑分數字。跨物種反應性是臨床前開發的必要條件，但提示詞中只列為次要目標，結果卻自然出現：233 個測試的結合器中 130 個也能結合小鼠的對應蛋白，179 個可評估的結合器中 154 個結合了獼猴（cynomolgus）的版本。在十個已知天然結合夥伴的目標中，Claude 有八個把 91–100% 的設計集中在天然表位上——它攻擊的正是演化使用的表面。測試的設計中有 98% 在蛋白質資料庫（PDB）裡找不到 30% 以上序列相似度的比對：這些是真正全新的蛋白質。

失敗案例的揭露也罕見地誠實。90 個麥芽糖結合蛋白（MBP）設計全部摃龜；15-PGDH 只有 1 個成功；人工 β 桶 BBF-14 只有 3 個——而且在每個失敗案例中，引導整場戰役的共折疊（co-folding）信心分數幾乎沒有發出警告，失敗戰役的分數和成功戰役幾乎一樣高。Anthropic 自己的結論是：有信心的計算預測是好用 filter，但不是保證，實驗室篩選仍然無可取代。

同日發布的化學成果

在蛋白質成果之外，Anthropic 同日發布了第二項實驗室成果，屬於分析化學領域。Claude Opus 5——一款公開可用的模型——拿到委外實驗室的原始 NMR 與 LC-MS 儀器數據檔，提示詞只有兩句話。它分別在 23 與 19 分鐘內交出成品分析：把原始 NMR 訊號轉換成校正過的 18 峰光譜，每個峰的氫原子計數與實驗室自己的判讀差距在 0.08 ¹H 以內；純度測定為 96.4%，實驗室為 96.33%。原本需要受訓化學家花上數小時操作儀器軟體的苦差事，被壓縮成分鐘級。

安全課題

這些結果的弦外之音與數據本身同樣重要。Anthropic 明言，生命科學研究任務目前在其最強模型中是封鎖狀態，而為科學家啟動一個存取計畫是「最高優先事項之一」。本次發表的成果依靠 Mythos 與 Opus 系列模型的組合，最強能力被刻意圍籬，等待建立審核過的存取管道。Claude 在戰役中使用的每個工具都是開源的——這是一體兩面：它讓任何實驗室都能使用這套技術，也正因如此，Anthropic 對誰能拿到最強版本格外謹慎。全部提示詞、1,440 個設計的計算模型、以及 1,320 個已測設計的結合數據，已以 CC BY 4.0 與 MIT 授權在 Hugging Face 上公開。

為什麼重要

重點不在「AI 能設計結合器」——專用管線多年前就做得到。而在於一個通用 AI 代理，拿到一份書面協議、沒有任何逐項決策的人類協助，就能在 1 到 2 天內同時對 16 個目標施展一整個蛋白質工程團隊的專業。Anthropic 明確表示不宣稱 Claude 勝過使用相同工具的人類專家；這份研究確立的是自主性與完整性：同一份凍結的協議適用於全部 16 個目標，且所有結果——包括失敗——全數合成、測量並公開。對於手上有一個感興趣的靶點、卻沒有計算蛋白設計團隊的實驗室而言，進入門檻剛剛從「一個團隊」降到了「一份提示詞」。