Claude自主设计蛋白质，成功率超行业均值两倍

2026-08-19 16:25

近期，AI领域又迎来一项突破性进展：Anthropic旗下的Claude模型首次实现自主完成全流程蛋白质设计，在15个预设靶标测试中命中14个，这一结果让业内研究者感到十分惊讶。

8月18日，该团队正式公布了这项实验的详细结果。本次测试使用的是Claude Mythos Preview和Opus 4.8版本，模型独立完成了从需求分析到最终交付的整套蛋白质设计流程。在测试中，研究人员为模型提供了15个蛋白质结合靶标，要求其从零开始设计能够精准结合的全新蛋白质分子，最终有14个靶标成功产出了有效设计。

本次实验共生成了1320个蛋白质设计方案，经过两家独立实验室的验证，其中354个方案被证实有效，整体成功率达到26.8%，远高于当前蛋白质设计领域10%到15%的行业平均水平。

蛋白质结合剂是现代生物医药研发的核心基础之一：只有先设计出能够精准结合目标蛋白的分子，后续才有可能将其开发为治疗性药物。传统的蛋白质设计流程需要专业工程师花费数周时间进行计算、优化和反复筛选，而本次实验中的Claude大幅缩短了这一周期。

从结构预测到自主设计：AI蛋白质研发的跨越

2020年推出的AlphaFold是蛋白质结构预测领域的里程碑，这款模型的核心能力是根据已知的蛋白质氨基酸序列，预测其最终折叠形成的三维空间结构，本质上属于“根据已知信息推导结果”的任务，相当于“看图说话”，且是针对单一任务优化的专用模型。

而本次Claude完成的蛋白质设计任务则完全不同：研究人员仅为模型提供了靶标蛋白的名称，没有提供任何额外的序列或结构信息，要求模型从零开始设计出能够结合该靶标的全新蛋白质，相当于完成一道完全开放的“命题作文”。

值得注意的是，Claude并没有发明任何新的蛋白质设计工具，本次实验使用的RFdiffusion、ProteinMPNN、ESMFold2等均为已经开源的成熟模型，任何科研实验室都可以免费下载使用。本次实验的核心突破在于，研究团队为Claude编写了一份长达约1.6万字的提示词，将专业蛋白质工程师的完整工作流程、各阶段可用工具和筛选标准全部编入其中，让模型能够自主规划整个设计流程。

这份提示词没有预设任何设计方向，既没有指定从蛋白质的哪个区域入手，也没有限定使用哪种生成方法，更没有提前给出任何氨基酸序列。研究人员仅为模型提供了云服务器访问权限，其余的全部工作都由Claude自主完成：从选择靶点和表位，到调用不同的结构生成工具，再到筛选优化方案并排序交付，整个过程中人类仅完成了三项基础工作：批准网络访问权限、监控服务器运行状态、将模型生成的设计方案送往实验室进行合成和验证，没有任何人介入任何具体的设计决策。

在多靶标模式下，Claude可以在48小时内同时处理14个靶标；单靶标模式下，每个靶标的处理周期仅为24小时。本次实验中，模型总共调用了10种不同的结构生成方法，组合出了24种不同的工具使用方案。

亮眼的实验数据与典型案例

整体来看，Claude在不同测试模式下的成功率达到22%到35%，是行业平均水平的2到3倍。如果仅统计模型自身排名最高的优先设计方案，命中率更是达到了49%，也就是说每两个靶标中就有一个的首选设计能够直接通过实验室验证。

部分靶标的测试结果尤为引人注目。以RBX1蛋白为例，此前曾有机构针对该靶标举办过公开设计竞赛，全球范围内的参赛团队共提交了245个设计方案，最终仅有9个被证实有效。而本次Claude提交的90个设计方案中，有28个成功，其中最优方案与靶标的结合紧密程度是当年竞赛冠军的10倍。

TNFα是公认的难度极高的蛋白质靶标，全球畅销药物修美乐正是通过结合该蛋白发挥治疗作用，但此前多个顶尖专家团队尝试从头设计能够结合该靶标的蛋白质分子，全部以失败告终。而本次Claude Opus 4.8版本成功产出了12个有效设计方案，其中部分方案甚至能够跨物种结合人类、猴子和小鼠的TNFα蛋白。

当然，本次实验也并非完美：针对MBP蛋白的90个设计方案全部失败，不过这也反映出当前AI蛋白质设计仍然存在一定的局限性。

除了蛋白质设计领域，本次实验还展现了Claude在分析化学领域的潜力：研究人员为Claude Opus 5提供了一份核磁共振仪器的原始数据和一句简单的指令，模型仅用23分钟就得出了分析结果，与实验室化学家需要半小时到一小时的手工分析结论完全一致。

两项不同方向的实验共同证明：通用大语言模型能够在需要专业人员数周才能完成的科研任务中，在24到48小时内自主产出经过实验室验证的专家级成果。

六年跨越，AI科研迎来新拐点

需要明确的是，从蛋白质结合剂到最终的上市药物还有很长的距离，中间需要经过毒理学测试、临床试验等多个环节，每个环节都需要数年时间才能完成，且本次实验中的所有蛋白质结构均为计算预测结果，尚未经过实验层面的结构验证。

不过，本次实验的开源属性同样值得关注：相关团队已经将本次实验使用的提示词、全部实验数据以及1440个设计模型开源在相关平台，任何科研团队都可以免费获取并复现整个实验流程。

与此同时，这类具备自主科研能力的AI模型也存在双重用途的风险，因此相关团队已经在公开版本的Claude中封锁了蛋白质设计等生物相关能力，避免技术被滥用。

从2020年AlphaFold首次实现高精度蛋白质结构预测，到如今Claude能够自主完成全流程蛋白质设计，仅仅过去了六年时间，AI在生命科学领域的发展速度远超行业预期，正在推动整个科研范式发生深刻变革。