Anthropic Shows Claude Designing Protein Binders, Hitting 14 of 15 Targets
Anthropic demonstrated Claude's use in protein design, combining Mythos and Opus models to autonomously coordinate multiple open-source protein design tools. In a multi-arm design campaign across 15 targets, first wet-lab data showed Claude successfully designed binders for 14 targets, with overall hit rates of 26.7% (Mythos Preview) and 22.6% (Opus 4.8) in a 48-hour all-target task, exceeding the typical 10%-15% for current protein design campaigns. When focused on one target at a time, Mythos Preview's hit rate rose to 35.1%.
Coverage timeline
机器之心ScienceAI
编辑丨& 过去几年，AI 已经学会了不少关于蛋白质的事情。它可以预测蛋白质结构，可以根据结构生成候选序列，也可以判断某些突变是否可能改变蛋白功能。但真正的蛋白质工程远比生成一条序列复杂。 一个研究人员拿到一个新的药物靶点后，首先需要理解已有文献，判断靶点上哪些区域值得设计；然后选择合适的结构预测、蛋白生成和筛选工具；得到候选之后，还要反复检查结构是否合理、结合界面是否满足要求，再修改设计。 任何一个环节出现问题，都可能让整个流程重新开始。因此，蛋白设计真正昂贵的地方，不只是计算量，也在于 被分散在一个又一个工具和实验步骤中的大量专业判断 。 Anthropic 这次展示的结果结合了 Mythos 和 Opus 模型。他们决定让 Claude 尝试自己完成一部分真正的蛋白质设计工作。 蛋白质设计 Minibinder，一种小型蛋白质，旨在牢固地与目标蛋白结合。这类结合是很多现代药物发挥作用的基础：药物需要附着在目标蛋白上，才能对它进行抑制、激活或递送。 过去，一个新的 binder 从计算设计、优化到筛选，往往需要蛋白质工程师针对每个靶点投入数月时间。近年来的机器学习模型已经大幅加快了其中一些步骤，但不同模型之间仍然需要计算专家花费数天甚至数周进行编排，而最终的实验验证本身也可能需要数周。 在针对 15 个靶点的多臂蛋白质设计活动中，首次湿实验数据表明 Claude 成功设计出了针对其中 14 个靶点的 binder。 图 1：Mythos Preview 和 Opus 4.8 在 15 个目标中命中率超过 20%，目标级命中率从 90% 到 0 不等。 同时面对全部目标的 48 小时任务中，Mythos Preview 和 Opus 4.8 的整体命中率分别为 26.7% 和 22.6% ，而 Anthropic 给出的当今蛋白质设计活动典型水平是 10%–15% 。当 Claude 一次只专注一个目标时，Mythos Preview 的整体命中率进一步达到 35.1% 。 Anthropic 团队预计，如若经过蛋白专家指导与结果反馈，这种方法将会带来更具成效的结果。 图 2：Claude 成功协调多种开源蛋白质设计模型，生成高成功率和高亲和力的结合剂。 靶标上的表现 在这些靶标中，不妨来关注一种驱动特定调控蛋白靶向破坏的小蛋白——RBX1。 此前，Adaptyv
