刚刚，Claude 64小时设计31万种蛋白，17种通过实验验证

Anthropic 近日发布了一项生物学研究成果：在 64 小时内，其 AI 系统 Claude 生成了 318484 种蛋白质设计方案，旨在寻找能与蝎毒神经毒素结合的候选分子。

据 Anthropic 介绍，全球每年约有 120 万人被蝎子蜇伤，抗毒血清价格昂贵且供应不足。利用 Claude 设计能与蝎毒神经毒素结合的蛋白质，可能为探索新型治疗手段迈出初步一步。

数据显示，研究团队从 318484 种蛋白质设计中筛选出 211 种候选蛋白，送至实验室测试后，最终有 17 种达到了预设的结合标准。这些分子有望为新型抗蝎毒药物研发提供线索。

不过，目前实验仅验证了这些蛋白与目标毒素的结合能力，尚未证实其能中和毒素或在生物体内提供保护。但这项研究的亮点在于，Claude 不仅参与了蛋白设计，还协助完成候选方案筛选等多个环节，从分子生成到实验室验证，AI 开始介入更完整的科研流程。

31.8 万个蛋白设计，17 个通过实验筛选

为何选择蝎毒作为研究对象？全球每年蝎子蜇伤事件超过 120 万起，导致超过 3250 人死亡。传统抗毒血清依赖动物免疫生产，成本高且覆盖的毒素种类有限，使蝎毒中毒成为长期缺乏研发投入的公共卫生问题。

Anthropic 与投资研究机构 Citrini Research 合作，利用 AI 从头设计能结合蝎毒神经毒素的小型蛋白——minibinder（微型结合蛋白）。蝎毒中的部分神经毒素会与神经细胞膜上的钠离子通道结合，干扰神经信号传递，严重时可导致心力衰竭、肺水肿等后果。研究人员的设想是，若能设计出足够精准的蛋白，抢先结合毒素与钠离子通道相互作用的部位，就可能阻止毒素发挥作用。

实验选取了来自墨西哥、巴西、北非和中东地区的 5 种蝎毒神经毒素：Cn2、Ts1、AaH I、AaH II 和 LqhIII。Claude 分析了这五种毒素的蛋白结构及关键结合位点，并据此设计候选结合蛋白。它生成了 318484 个候选蛋白设计，最终挑选出 180 个。研究团队在 Claude 的帮助下额外补充 31 个，共 211 个候选蛋白，交由 Adaptyv Bio 和 Twist Bioscience 两家实验室验证。

最终，17 个设计符合研究团队的蛋白结合标准。具体来看，其中 7 个能结合 Cn2，4 个结合 AaH I，4 个结合 AaH II，另外 2 个结合 LqhIII。针对 Ts1 的设计未能通过筛选。

研究中最受关注的是两个针对 Cn2 毒素的候选蛋白：Cn2-B1 和 Cn2-B2。两者在实验中均表现出较强结合能力，解离常数 KD 达到个位数纳摩尔级别。KD 值越低，通常意味着分子与目标蛋白结合越紧密。研究团队还进行了竞争结合实验，发现这两个蛋白可能与名为 LR 的已知中和抗体结合在相同或相近位置。此前研究已证明，LR 能在小鼠实验中中和 Cn2 毒素。

这意味着 Claude 设计的两个候选蛋白可能具有进一步研究价值。不过，实验仅验证了蛋白与毒素的结合能力，未实际证明这些蛋白能中和蝎毒。研究人员尚未进行细胞层面的毒素中和测试，也未在动物体内验证保护效果。

另一个值得注意的结果是，Claude 在设计同时针对多种毒素的蛋白时遇到了困难。研究团队原本希望找到能结合多种蝎毒的通用蛋白，以减少未来抗毒制剂需组合使用的分子数量。但最终通过筛选的 17 个蛋白，每个只被证实能结合一种毒素，没有任何设计满足同时结合多种毒素的标准。从单一毒素结合蛋白的设计来看，60 个专门针对单一毒素的候选设计中，有 11 个通过筛选，成功率约 18%。Anthropic 表示，这一水平与常见蛋白设计研究的表现基本一致。

虽然距离通用抗毒药物仍有明显差距，但这次研究至少证明，Claude 能在较短时间内提出大量候选设计，并从中筛选出真正具备实验结合能力的蛋白。

64 小时背后，Claude 完成了多少工作

传统蛋白设计需要研究人员使用多种工具，完成结构分析、候选分子生成、结合预测与筛选等工作。这次，Anthropic 尝试让 Claude 自主组织这些环节。研究团队首先指定目标毒素、可用工具和筛选规则，随后由 Claude 自行检索蛋白结构、选择设计工具、制定筛选标准，并不断调整设计方案。

整个过程中，Claude 调用了 12 种蛋白设计工具，生成 318,484 个候选设计，还对超过 55 万组候选蛋白与毒素的组合进行了结构预测。在收到初始提示词后，Claude 连续自主运行了 24 小时。研究人员随后追加 4 次提示，引导其进一步优化设计。整个计算设计阶段持续 64 小时，最终由 Claude 筛选出 180 个候选蛋白。甚至连向实验室发送蛋白序列的工作，也由 Claude 按照研究人员的要求完成。

这意味着 Claude 已能承担科研过程中大量涉及规划、分析和工具协调的工作，并根据中间结果持续调整研究方案。不过，实验仍有人类参与：研究人员负责设定目标、追加提示和补充设计，后续蛋白合成与验证也由专业实验室完成。此外，64 小时仅包括计算设计阶段，期间消耗了约 1 万 GPU 小时。

这不是 Claude 第一次尝试蛋白设计。今年 8 月，Anthropic 曾公布一项研究：Claude 面向 15 个蛋白质靶点开展设计，其中 14 个成功获得实验验证的结合蛋白。相比此前研究，这次实验进一步展示了 Claude 在具体生物医药问题中协调复杂科研流程的能力。

但距离真正的抗毒药物仍有不少工作要做。目前，Anthropic 已公开全部 211 个候选设计及相关实验数据，供其他研究人员继续验证。

从蛋白设计到药物研发，AI 或正在进入更完整的生物医药工作流

如果说 Anthropic 展示的是 AI 设计生物分子的能力，那么另一家生物 AI 公司 Radical Numerics 则把故事推进到了人体治疗场景。Radical Numerics 发布基因组大模型 Omnii-1，并宣布其 AI 设计的噬菌体首次获准用于一名耐药菌感染患者的同情用药。公司称，相关噬菌体已通过实验室杀菌测试，并获得用于患者治疗的授权。

噬菌体是一类能感染细菌的病毒，在特定条件下可用于针对细菌感染的治疗研究，尤其是在耐药菌感染等常规治疗选择有限的场景中。与设计能结合毒素的蛋白质相比，噬菌体案例进一步触及了 AI 设计的生物制剂如何进入真实医疗流程。

与此同时，OpenAI 宣布收购生物医药 AI 公司 Orchestra Bio，并计划将其团队和技术整合进旗下生命科学平台 Rosalind。与 Anthropic 重点展示 AI 的蛋白设计能力不同，OpenAI 这次收购关注的是药物研发过程中另一项复杂工作：科研项目的协调与管理。

今年 4 月，OpenAI 已推出专门面向生命科学研究的 GPT-Rosalind，帮助科研人员处理生物学、药物研发和转化医学等领域的复杂问题。Rosalind Workbench 则进一步连接科学工具和数据，帮助研究人员分析结果、规划实验。此次收购的 Orchestra Bio，主要帮助生物医药团队协调跨部门研发工作，追踪实验进度，并识别不同研发任务之间的依赖关系。例如，在药物研发过程中，一次生产批次失败可能影响后续临床试验的启动时间。Orchestra 的 Agent 可以协助追踪受影响的任务、收集相关信息，并比较不同应对方案，供研究人员和项目负责人决策。

对 OpenAI 来说，这也是将 AI 从科研问题分析进一步延伸至整个药物开发流程的一步。

从 Anthropic 设计抗蝎毒候选蛋白，到 Radical Numerics 将 AI 设计的生物治疗候选物用于患者，再到 OpenAI 尝试协调药物研发流程，三家公司的探索正在覆盖生物医药研发的不同环节。接下来就是如何让这些设计和发现顺利走过漫长的验证过程，最终成为安全、有效、真正能帮助患者的治疗方案。毕竟，在计算机里找到可能有效的分子，只是新药研发的开始。