Jak model Claude od Anthropic przyspiesza projektowanie białek i chemię analityczną

Wprowadzenie sztucznej inteligencji do nauk przyrodniczych wchodzi w nową fazę, obejmując już nie tylko obszary o łatwej weryfikacji danych, ale także niezwykle wymagające i kosztowne badania eksperymentalne. Z najnowszych eksperymentów wynika, że model Claude od Anthropic znacząco przyspiesza projektowanie białek oraz żmudne analizy z zakresu chemii analitycznej. Jak oficjalnie poinformowała w swoich podsumowaniach firma Anthropic latem 2026 roku, wykorzystanie modeli badawczych pozwala zastąpić tygodnie ręcznej pracy laboratoryjnej zaledwie kilkugodzinnymi autonomicznymi sesjami, drastycznie zmniejszając margines błędu.

Zautomatyzowane projektowanie białek z pomocą AI

Wczesny etap opracowywania leków opiera się w znacznej mierze na projektowaniu białek od podstaw (de novo design). Głównym zadaniem inżynierów w tej materii jest tworzenie tzw. binderów (minibinders) – niewielkich struktur białkowych zaprojektowanych w taki sposób, aby precyzyjnie łączyły się z docelowym białkiem, hamując jego działanie, aktywując je lub dostarczając mu dany ładunek. Historycznie proces wymyślania takiego leku zajmował miesiące żmudnych symulacji in silico i fizycznych badań przesiewowych na pojedynczy cel.

W przeprowadzonym teście rodzina modeli Claude odpowiadała całkowicie autonomicznie za selekcję docelowego miejsca wiązania na białku, generowanie struktur oraz nawigowanie zaawansowanymi algorytmami predykcyjnymi (co-folding models). Eksperyment, zweryfikowany następnie fizycznie (in vitro) w zewnętrznych laboratoriach firm Adaptyv Bio i Twist Bioscience, został wymierzony w 15 różnych białek – od tych szeroko badanych (jak pule BenchBB) po całkowicie nowe obiekty badawcze (np. 15-PGDH czy GDF-8). Narzędzia AI zaprojektowały łącznie działające bindery dla 14 z nich. Co istotne, udało się dostarczyć bindery o niezwykle wysokim powinowactwie (high-affinity binders) na co najmniej sześciu celach, wyrównując jednocześnie lub bijąc rekordy w tej materii w przypadku przynajmniej kolejnych czterech białek.

Zestawienie wskaźników skuteczności (hit rate), czyli faktycznej liczby wytworzonych i potwierdzonych binderów w stosunku do przygotowanych projektów, ujawnia zdecydowaną różnicę na korzyść modeli:

Dane: Anthropic Research

Uzyskanie 35.1% współczynnika sukcesu przez testowany model Mythos Preview w trybie pojedynczego celu (single-target) kosztowało system sesję 24 godzin w środowisku Claude Science przy użyciu zasobów obliczeniowych rzędu 2,500 godzin układów NVIDIA H100. Kampanie pracujące we wspólnym trybie wielocelowym (multi-target) otrzymały okno 48-godzinne na 12,500 godzin obliczeniowych dla układów GPU. Całość dała sumaryczny zbiór 354 poprawnych binderów wybranych spomiędzy 1,320 unikalnych projektów modelu.

Eksperymentalne wyzwania: RBX1, TNFα i struktury β-sheets

W szczegółowych rozbiciach skuteczność modeli wykazuje ogromny potencjał w radzeniu sobie ze znanymi problemami biologicznymi. Przy pracy nad regulacyjnym białkiem RBX1, Mythos Preview wypracował wskaźnik hit rate na pułapie 40% (pokonując rozwiązanie mistrzowskie w zawodach biologicznych z wynikiem zaledwie 3.7% z 245 analizowanych konstrukcji ludzkich projektantów).

Zadziwiające efekty przyniósł eksperyment z białkiem TNFα – złożonym, multimerycznym celem pełniącym kluczową rolę w stanach zapalnych (jego blokada to podstawa działania wielu leków, np. medykamentu Humira). O ile Mythos Preview poległ w tym przypadku, to mniej ogólnie zdolny Opus 4.8 stworzył działające z sukcesem struktury krzyżowe de novo, reagujące zarówno na białko ludzkie, jak i organizmy modelowe (myszy oraz makaki z gatunku cynomolgus monkey). Claude udowodnił także kompetencje w racjonalizowaniu trudnych do kontrolowania struktur 20% arkuszy beta (β-strand / β-sheets) – system ułożył 15 potwierdzonych układów binderów dla sześciu białek z zastosowaniem 10 różnych szkieletów (distinct backbones).

Wyznacznikiem obecnych granic sztucznej inteligencji okazały się eksperymentalne sztuczne struktury w kształcie beczki (jak BBF-14), gdzie dostarczono zaledwie trzy działające bindery, oraz problematyczne i masywne białko wiążące maltozę MBP, na którym wygenerowano wyłącznie 90 chybionych projektów i ani jednej pełnoprawnej interakcji wiązania.

Autonomiczna analiza w środowisku Claude Science: NMR i LC-MS

Narzędzia sztucznej inteligencji, takie jak szeroko dostępny model Claude Opus 5, zmieniają postać klasycznej analizy danych empirycznych zebranych już po syntezie próbek przez chemików. Odtwarzanie widm masowych to monotonny element weryfikacji tożsamości zsyntetyzowanych cząsteczek. Po przekazaniu do systemu czystych, surowych odczytów ze sprzętu laboratoryjnego (raw bytes) opatrzonych dwoma zdaniami instrukcji – i bez specjalistycznego oprogramowania dostawców – sztuczna inteligencja przeanalizowała dokumentację wielokrotnie szybciej, niż ludzki operator laboratoryjny, dla którego standard to od 30 do 60 minut.

Analiza jakościowa chromatografii z detekcją masową LC-MS zajęła Claude Opus 5 równe 19 minut. System wyabstrahował własny kod odczytu nieudokumentowanych, natywnych formatów, złożył potwierdzenie całości 2,664 skanów dla plików z maszyny z jednym głównym sygnałem analizy wydzielonym na 4.34 minutes. Wskazał jego masę na 504 daltons oraz oszacował całkowitą czystość zsyntetyzowanego związku na wynik 96.4% (tymczasem fizyczna weryfikacja podawała 96.33%).

W przypadku rezonansu jądrowego NMR, Claude zwrócił pełen protokół po 23 minutach, doprowadzając do zidentyfikowania 18 poprawnych pików (peaks) krzywej, trzymając się granic błędu zaledwie 0.08 ¹H dla liczenia wodoru na pik w bezpośrednim zestawieniu ze stanowiskiem pomiarowym operatora in vitro. System zauważył 4 nietypowo szerokie zakłócenia dla atomów zlokalizowanych przy elementach gazowych i samodzielnie nakazał próbę kontrolną (test z ciężką wodą), która ukazała jego błędną interpretację pierwszego przejścia pomiarowego. Mechanizm poprawił autorski odczyt zaniku sygnału widmowego (z 4 na prawidłowe 2 odchylenia piku), co obrazuje wysoce zdolny i w pełni zautomatyzowany schemat weryfikacji chemicznej najnowszej platformy.