Claude自己设计蛋白质15中14：通用AI做科研，这事大条了

8月18日，Anthropic公布了一个让生物学圈炸锅的实验结果。

他们让Claude Opus 4.8自主设计蛋白质结合剂，15个靶标命中14个。设计成功率26.8%，是行业平均水平10%-15%的两到三倍。

更夸张的是，这活儿通常需要一个蛋白质工程师团队干好几周。Claude只用了48小时。

不是预测，是创造

先说清楚一件事。2020年AlphaFold解决的是蛋白质结构预测——给它一段序列，它告诉你折叠成什么形状。本质上是"识别"。

Claude这次做的是"创造"。它拿到的只有靶标蛋白的名字，任务是从零设计一个全新的蛋白质去结合它。一个是看图说话，一个是命题作文。

而且Claude不是专门的生物模型，它是通用大语言模型。Anthropic做的事情是：写了一份大约1.6万词的提示词，把蛋白质工程师的工作知识编进去，然后给Claude一个云服务器账户，让它自己跑。

48小时干了什么

Claude自己选了靶点、选了表位、装了工具、跑了模型、做了筛选优化、排序交付。整个过程调用了10种结构生成方法，拼出24种工具组合。人类操作员只做了三件事：批准网络访问、监控基础设施、把设计送去实验室合成检测。

最终结果：1320个设计，354个经两家独立实验室验证有效。

有几个数字值得单独拿出来说。

RBX1这个靶标，之前有个公开设计竞赛，全球参赛者提交了245个设计，只有9个成功。Claude在同一个靶标上提交90个设计，28个成功，最佳设计的结合紧密度是竞赛冠军的十倍。

TNFα更难——全球最畅销药物之一Humira就是靠结合这个蛋白起效的，多个专家团队此前尝试从头设计结合剂，全部失败。Claude Opus 4.8产出了12个有效设计，部分还能跨物种同时结合人、猴、鼠的TNFα。

当然也有翻车。一种叫MBP的蛋白上，90个设计全军覆没。AI不是万能的，有些靶标它暂时还搞不定。

这意味着什么

蛋白质结合剂是很多药物起效的基础。先设计一个分子能抓住靶标蛋白，后面才有可能做成药。如果AI能把最初这个"大海捞针"阶段的效率提升2到3倍，对整个制药行业来说意义巨大。

但也要清醒：结合剂距离真正的药物还隔着毒理测试、临床试验等好几道关卡，每一步都要数年。Anthropic自己也说，所有结构都是计算预测，未经实验结构验证。

另一个有意思的信号是，Claude还给了一份核磁共振仪器的原始数据，23分钟出了解析结果，和实验室化学家半小时到一小时的手工分析结论一致。

两个方向，同一个结论：通用AI在需要专家数周完成的科研任务中，自主跑出了经实验室验证的专家级结果。

开源与风险

Anthropic把提示词、数据和全部1440个设计模型都开源在了HuggingFace上。任何实验室都可以下载复现。

这意味着AI驱动的科研能力正在从大公司的独家玩具变成更多人能用的工具。对科研民主化是好事，但对生物安全也提出了新问题。

从2020年AlphaFold预测蛋白质结构，到2026年Claude自主设计蛋白质，六年时间。AI在生物学上的能力进化速度，比蛋白质折叠本身还快。

这不是它设计出了多少成功的蛋白质。这是通用AI第一次在真实的、需要专家知识的科研任务里，交出了经得起实验室验证的答卷。这个信号，比任何跑分都重要。