Claude实测蛋白设计达到专家级水平

Anthropic 在蛋白质工程任务上测试了他们最新的 Claude 模型，而我们@adaptyvbio 完成了背后的湿实验室实验。

他们从我们过去在@proteinbase 举办的蛋白质设计竞赛中挑选了 16 个靶点，发给我们一份匿名的设计列表，所以我们完全不知道哪些序列出自哪个模型。

随后我们将这些蛋白质设计投入我们的自动化湿实验室工作流程，表征了蛋白质表达水平和结合亲和力。以下是结果：

- 95% 的设计成功表达，这个结果放在三年前本身就足以成为头条新闻。这一数据和我们竞赛中最好的专家表达水平相当。

- 1320 个设计中有 354 个通过表面等离子体共振（SPR）结合了对应靶点，总体命中率为 26.8%。在我们可以评估的 15 个靶点中，Claude 在 14 个靶点上都得到了结合分子。

和我们公开竞赛的自有数据相比，Claude 的从头设计命中率更高，其中一个靶点的命中率是 Proteinbase 上原有水平的三倍多。

那么 AI 现在能治愈所有疾病了吗？不，还不能。这个案例研究表明，Claude 在协调蛋白质设计工具方面至少已经达到专家水平。

这是个好消息，因为蛋白质设计工具很难使用。在 AI 出现之前，哪怕只是搭建一个蛋白质结构预测工具，都可能要花好几个小时排查难以理解的 conda 错误。

当然，我们在这里测试的这些蛋白质还不是真正的治疗药物。它们只完成了研发流程的第一步：证明了自身可以作为结合分子发挥功能。

但这项研究依然展示了一条用 AI 开发真正治疗药物的路径。设想研发药物就像登山。人类显然已经登顶过一些山峰，毕竟我们已经研发出了许多药物。但通往山顶的路是一条危险的窄径，攀登需要耗费多年时间，花费数十亿美元（还会埋葬大量生物科技公司）。

AI 用于药物研发的目标，就是把这条狭窄的山路变成高速公路，让登顶变得更便宜、更容易，这样我们就能开发出比现在多 100 倍的治疗药物。

类似地，在大语言模型出现之前，写代码更像是一项需要高专业技能的手艺，现在编程已经基本自动化，让任何人都能开发软件了。