Anthropic 官方公布最新成果，Claude 從頭設計蛋白質結合蛋白，15 個標靶裡 14 個成功，命中率最高達 35.1%，高於業界典型 10% 到 15%，並經 Adaptyv Bio、Twist Bioscience 獨立驗證。
（前情提要：為什麼 AI 還沒開發出改變世界的新藥？）
（背景補充：OpenAI、Anthropic 四大巨頭罕見聯名上書國會，呼籲強制篩查 DNA 訂單：AI 正讓生物武器門檻崩）
在一間委外化學實驗室裡，Anthropic 在官方公告中指出，這次測試讓 Claude Opus 4.8 與 Mythos Preview 從頭設計蛋白質 binder（結合蛋白），也就是俗稱的 de novo 設計，簡單來說就是不比對已知資料庫，純粹靠模型自己想出一段全新胺基酸序列去黏住目標蛋白。
這是新藥開發最早期也最耗時的一關，傳統上專家做一個標靶要花數週到數月。
測試設定 15 個標靶，Claude 成功設計出 binder 的有 14 個。多標靶模式下（48 小時、最多 12,500 個 NVIDIA H100 小時），Mythos Preview 命中率（簡單來說就是設計出來的分子裡真的能結合目標的比例）是 26.7%，Opus 4.8 是 22.6%；單標靶模式（每標靶 24 小時）下拉高到 35.1%。
拿業界典型值對比，35.1% vs 10～15%，Anthropic 等於把命中率往上翻了一倍以上。這些數字不僅是自說自話，後續交給獨立機構 Adaptyv Bio 與 Twist Bioscience 在實驗室真的做出分子測試。
最亮眼的案例是 RBX1 標靶，Mythos Preview 命中率衝到 40%，同場 Adaptyv Bio 競賽裡參賽者平均只有 3.7%，Claude 最高分設計贏過 245 件參賽作品裡的冠軍。也有反過來的案例，對付發炎訊號蛋白 TNFα（修美樂等重磅藥物的作用標靶）時，Opus 4.8 成功、Mythos Preview 卻失敗，Anthropic 自陳不確定原因。
另一突破是更難設計的 β 摺板（β-sheet，簡單來說就是延伸胺基酸鏈須並排對齊，比螺旋結構更容易摺疊出錯），Claude 在 6 個標靶上做出 15 個含 β 股的確認 binder。
19 分鐘做完的化學分析
另一組測試換了場景，主角是一般用戶就能用到的 Claude Opus 5。任務同樣是丟原始儀器檔案加兩句話指令，沒有廠商軟體、沒有操作員，在 Claude Science 環境裡平行處理。準確度上，每個峰的氫原子計數跟實驗室結果差距在 0.08 個氫以內，純度判定 96.4% vs 96.33%，差距小到可忽略。
NMR（核磁共振）部分，Claude 把原始資料轉成校正後光譜與 18 個峰的表格，還主動抓出 4 個可能接在氮或氧上的寬峰，提出加重水做交換實驗的標準檢查法，跟實驗室操作員三天後獨立做的判斷一致。第一輪，Claude 判斷 4 個峰全消失，自我檢查後才發現只有 2 個消失，修正後才跟實驗室對上。
反對聲音
當然，整份公告的數字全來自 Anthropic 官方公布與自評，現實似乎比新聞稿骨感。
BBF-14 是人工從頭設計出來的 β 桶狀蛋白，因新穎足夠被當基準，Claude 只做出 3 個親和力（簡單來說就是分子跟目標黏得多緊）平庸的版本。麥芽糖結合蛋白（MBP）更慘，是一種大型、柔軟、表面光滑親水的細菌蛋白，90 個設計全沒確認結合，只有 1 個出現微弱訊號。
前製藥業者 Martin Shkreli 就公開批評這份成果不算什麼了不起的工作，指出這批 binder 親和力偏低，且沒有一個針對細胞內標靶，稱不上有用的探針分子，也質疑研究者大可直接切現成單株抗體的功能片段來用。
Anthropic 也承認，minibinder 不是標準藥物型態，做出高親和力 binder 只是第一步。
同賽道上，Google DeepMind 分拆出來的 Isomorphic Labs 今年 2 月發表新藥物設計引擎，宣稱在最難的蛋白質配體案例上把 AlphaFold 3 表現拉高一倍以上且不開源，已把設計的腫瘤藥物推進人體臨床試驗。相較之下，Anthropic 離臨床還有一大段路。
📍相關報導📍
Anthropic砸10萬美元辦駭客松，拿真實科研資料考驗Claude Science
