Claude進軍蛋白質設計，首戰即交出亮眼成績單。
剛剛，A社扔出一篇新部落格，詳細復盤了自家Mythos和Opus手拉手勇闖AI4S賽道的全過程。
快速翻到結果頁，一看確實有點東西：
這次Claude從頭設計了1320個蛋白質候選，再交給外部實驗室生產、驗證。
結果竟然有354個成功結合目標，15個靶點拿下14個，最高命中率達到35.1%。
要知道當下蛋白質設計項目的典型命中率，通常只有10%~15%。
更狠的是，設計完新分子，它還沒準備下班。
面對實驗室提供的NMR和LC-MS原始檔案，Claude只看了兩句話的任務說明，就分別用23分鐘和19分鐘完成處理。
最終測得樣品純度為96.4%，實驗室給出的結果是96.33%。
只差0.07個百分點。
就是說， Claude的結果與實驗室結果居然高度一致。
不是預測，是從頭設計蛋白質
一提起蛋白質，很多人可能會立馬想到GoogleDeepMind的AlphaFold項目。
先澄清一下，AlphaFold是對蛋白質結構進行預測，核心解決“已知一段氨基酸序列，它會折疊成什麼結構”。
而Claude這次接到的任務大不相同：
目標蛋白擺在這裡，請從零設計一個此前不存在的新蛋白，讓它能精準黏上去。
Claude要設計的東西叫minibinder，也就是微型結合蛋白。
根據查到的公開資料，minibinder是人工設計的小型蛋白質，通常只有50~70個氨基酸，結構緊湊，功能單一。
它的任務很純粹，即以極高的精度和強度，黏住目標蛋白上的某一個特定部位。
別小看這個“黏住”的動作，很多藥物之所以能起效，靠的就是這種分子層面的精準結合——
黏住壞蛋白讓它失效，或者黏住好蛋白把它啟動，再或者把藥物分子直接拽到病灶處釋放。
問題是，這活兒相當折騰人。
蛋白質設計師不僅要調度一串專業模型，還得反覆生成、最佳化和篩選候選，整個流程很吃經驗。
每個靶點需要專家花費數周甚至數月的時間，從大量候選分子中篩選出少數幾個真正有效的。
Anthropic這次索性把整套工具箱交給了Claude。
參與實驗的是Mythos Preview和Opus 4.8，它們可以訪問論文、網路資源和多個專業蛋白質模型，也拿到了相當充足的GPU算力。
人類給完初始任務後，Claude就自己跑了起來。整體跑完的結果是：
Claude拿下15個靶點中的14個，其中至少6個產出高親和力結合蛋白，至少4個追平或超過此前最佳結果。
具體跑法分成了兩種：
- 多靶點模式：讓Claude在同一個48小時任務裡同時處理多個目標，最多可呼叫12500個H100 GPU小時。
- 單靶點模式：一次只盯著一個目標，各任務平行運行24小時，每個靶點最多能用2500個H100 GPU小時。
實驗證明，專注確實比一心多用更好。
多靶點模式下，Mythos Preview和Opus 4.8的整體命中率分別為26.7%和22.6%。
而切換到單靶點模式後，Mythos Preview直接衝到35.1%。
部分靶點上的表現，甚至把此前的人類成績甩在了身後。
比如RBX1，這是一個參與調節蛋白質降解的靶點，此前在Adaptyv Bio舉辦的設計比賽中，所有參賽者的整體命中率只有3.7%，而Mythos Preview單獨挑戰它時，命中率達到了40%。
不僅更容易命中，Claude排名第一的設計還是一個高親和力結合蛋白，結合強度超過了那場比賽從245個參賽設計中選出的冠軍。
還有更難啃的TNFα，這是免疫系統釋放的一種炎症訊號蛋白。
由於合適的結合位置藏在兩個蛋白形成的凹槽裡，此前多個專家團隊都曾在這裡碰壁。
結果這道題Mythos Preview沒做出來，反倒被Opus 4.8攻下了：
Opus 4.8不僅設計出多個有效結合蛋白，其中一些還能同時結合人類、食蟹猴和小鼠的TNFα。
這種跨物種結合能力很關鍵，因為後續進入動物實驗時，不用換個物種就重新設計一遍。
不過問題也隨之來了：
為什麼整體更強的Mythos Preview翻車，Opus 4.8卻成功了？
A社坦言自己也沒搞明白。
只能說，大模型的科研能力依舊不夠平整。
當Claude繼續挑戰更難設計的β折疊結構，它在6個靶點上成功做出了15個有效結合蛋白。
但切換到麥芽糖結合蛋白MBP，Claude卻徹底翻車——
90個設計無一確認成功，只有一個出現微弱訊號。
所以，這時候說“輸入靶點，Claude能自動吐出新藥”為時尚早，但Claude已經證明：
它能自主調度專業模型，跑完過去需要專家花費大量時間組織和篩選的設計流程。
這一步，已經夠大。
設計完新分子，Claude又開始讀實驗資料
不過A社的實驗並未止步於此。
除了考查Claude能不能設計新東西，他們還想看看：
面對已經做出來的化合物，Claude能不能獨立讀懂實驗資料，判斷它究竟是什麼、純不純。
這次出場的是可普遍使用的Claude Opus 5。
任務來自分析化學中兩項很常規、也很磨人的工作：
- 核磁共振波譜NMR：觀察分子中氫原子的訊號，確認“做出來的是不是目標分子”。
- 液相色譜—質譜聯用分析LC-MS：分離樣品中的不同成分，再測量其分子量和含量，判斷“樣品純不純、裡面還有什麼”。
這活兒需要化學家手動處理專有格式的原始資料，一步步校準、找峰、積分、核對，最後寫成報告。
步驟多、又很吃經驗，稍有偏差就可能得出錯誤結論。
Anthropic這次只給了Claude實驗室返回的原始檔案，以及兩句話的任務說明。
沒有廠商軟體，也沒有操作人員在旁邊指導（p.s. 相關資料和提示詞已開源）。
結果Claude分別用23分鐘和19分鐘完成了NMR與LC-MS分析。
NMR這邊，Claude整理出18個訊號峰，並計算每個峰對應的氫原子數量，結果與實驗室的誤差不超過0.08個氫。
它還發現其中4個寬峰可能來自連接在氮或氧上的氫，於是建議加入重水做進一步驗證。
這是一種常見的排除法，加入重水後，某些特定氫原子的訊號會減弱或消失，化學家就能據此判斷分子結構。
巧的是，實驗室後來也做了同樣的驗證。
驗證之後，Claude最初以為4處訊號全部消失，自檢後發現不對，主動修正為只有兩處消失，最終結論與實驗室一致。
LC-MS這邊更直接。
面對沒有公開格式說明的廠商檔案，Claude先自己搞清楚資料如何編碼，再通過復現全部2664次掃描記錄，確認檔案沒有讀歪。
隨後，它給出了色譜圖、質譜圖、純度表和分子量，還順手寫了一套可重複使用的解析程式碼。
最終，Claude測得樣品純度為96.4%，實驗室結果為96.33%。
只差0.07個百分點。
A社在結論中寫道：
兩項實驗共同指向一件事，AI正在減少生命科學研究所需的專業門檻、成本和時間。化學分析中，Claude開始接手過去依賴人工的處理工作；蛋白質設計中，Claude能以極少輸入端到端完成結合物設計，部分成果追平甚至超過此前最佳設計。
雖然離真正的新藥研發還很遠，但至少AI已經讓我們看到了加速這個處理程序的可能。
還留了個彩蛋
部落格最後，A社還給科學家們畫了個重點。
這次蛋白質實驗用的是Mythos Preview和Opus 4.8，至於能力更強的Fable 5，目前不向普通使用者開放這類生命科學任務。
原因也很直接，能設計藥物蛋白，同樣可能被拿去做危險的生物研究。
不過A社已經預告，正在籌備一項面向科學家的專屬訪問計畫，後續會公佈更多資訊。 (量子位)