Anthropic 于 8 月 19 日发布两项实验报告，展示了其 Claude 模型在早期药物研发中的自主蛋白质设计能力。在针对 16 个靶点蛋白的测试中，Claude 成功为其中 14 个靶点设计出能与之结合的小蛋白（称为 minibinder），命中率远超行业平均水平。这一结果若经独立验证，可能为 AI 驱动的药物发现开辟新路径。
在第一项实验中，Anthropic 使用 Claude 的 Mythos Preview 和 Opus 4.8 模型，针对 16 个靶点蛋白进行从头设计。在 15 个产生可用测量的靶点中，Claude 成功攻克了 14 个。实验室测试显示，在 1320 个设计中，有 354 个成功与靶点结合，命中率为 26.8%；若仅看 Claude 自评排名第一的设计，命中率高达 49%。在多靶点并行模式下（48 小时内处理所有靶点），Mythos Preview 和 Opus 4.8 的命中率分别为 26.7% 和 22.6%。当 Mythos Preview 单独处理每个靶点时，命中率提升至 35.1%，但每个靶点的计算预算增加了 2.8 倍。作为对比，Anthropic 引用 proteinbase.com 数据库中的公开数据，指出现有方法的典型命中率仅为 10-15%。
值得注意的是，Anthropic 并未自研蛋白质模型，而是让 Claude 调用现有开源工具完成整个流程。蛋白质骨架由 PXDesign、RFdiffusion3、Genie 3 等工具生成，氨基酸序列主要由 SolubleMPNN 计算，候选设计则通过 ESMFold2、Protenix v2 等工具进行筛选和排序。由于许可限制，AlphaFold-3 权重、Rosetta 和 ESM3 未被使用。整个系统由约 16000 字的协议提示词驱动，其中仅三分之一为科学指导，其余部分涉及任务调度、子代理委派和预算控制。实验通过云服务商 Modal 运行，多靶点活动预算为 5 万美元，单靶点为 1 万美元。人类仅负责选择靶点、编写提示词、订购合成和解读数据，过程中仅在基础设施中断时提供简短的非技术性指令。
实验的验证环节由付费合同实验室 Adaptyv Bio 和 Twist Bioscience 完成，它们独立生产并测试了每个设计是否与靶点结合及其结合强度（以 KD 值衡量）。结果因靶点而异：针对免疫受体 TREM2，90 个设计中有 72 个成功结合；针对生长因子 VEGF-A，90 个中有 54 个成功。最引人注目的案例是 RBX1——一个参与细胞内蛋白质降解的酶复合物组分。在公开设计竞赛中，245 个新设计仅有 9 个能与之结合，而 Claude 的 90 个设计中就有 28 个成功。Anthropic 还让竞赛获胜设计在同一测定板上复测，其结合强度为 45 nM，而 Claude 的最佳设计为 3.9 nM，紧密约十倍。
对于公认困难的靶点 TNFα（一种引发炎症的免疫信号分子，已有五种获批生物药靶向它），此前多种设计方法均报告零命中，而 Claude 在 150 个设计中产生了 12 个结合物，全部来自 Opus 4.8。不过，这些结合物仅源自四种不同的骨架，多样性有限。此外，在 233 个测试的结合物中，有 130 个也能与小鼠版本的靶点结合，这对后续动物实验具有实际意义。
实验也揭示了 Claude 的局限。针对计算机发明的桶状蛋白 BBF-14（自然界不存在，无进化历史可循），仅 3 个弱结合设计成功；针对细菌麦芽糖结合蛋白 MBP（表面光滑亲水，难以结合），90 个设计全部失败。Anthropic 指出，折叠预测的置信度评分未能预警这些失败——失败靶点的得分与成功靶点几乎相同。
在第二项实验中，Opus 5 模型被用于解读合同实验室的核磁共振波谱（NMR）等原始数据，在不到 25 分钟内完成化学分析。Anthropic 表示，这些结果仍需独立评审，目前尚未经过同行评议。若后续验证成立，这一进展可能意味着，任何实验室都能借助大语言模型，以更低成本和更高效率开展蛋白质设计，从而加速早期药物发现进程。