Claude به‌تنهایی برای ۱۴ هدف از ۱۵ هدف، اتصال‌دهنده پروتئینی طراحی کرد و آزمایشگاه تأیید کرد

Anthropic در پژوهشی که نتایج آن مورخ ۱۸ اوت منتشر شد، از یک نقطه عطف در تقاطع هوش مصنوعی و زیست‌شناسی پرده برداشت: مدل‌های Claude Opus 4.8 و Claude Mythos Preview یک کمپین کامل طراحی اتصال‌دهنده پروتئینی (protein binder) از صفر — یعنی de novo — را علیه ۱۵ هدف پروتئینی اجرا کردند و در ۱۴ مورد موفق شدند؛ آن هم با حداقل هدایت انسانی و با تأیید مستقل آزمایشگاهی.

#چه اتفاقی افتاد؟

در این کمپین، Claude مجموعاً ۱٬۳۲۰ طرح تولید کرد که پس از سنتز و آزمون مستقل توسط دو شرکت Adaptyv Bio و Twist Bioscience، ۳۵۴ مورد از آن‌ها به‌عنوان اتصال‌دهنده‌های واقعاً کارکردی تأیید شدند. نرخ موفقیت کلی بین ۲۲٫۶ تا ۳۵٫۱ درصد ثبت شد، در حالی که نرخ مرسوم صنعت در چنین کمپین‌هایی ۱۰ تا ۱۵ درصد است. در هدف RBX1، مدل Mythos به نرخ موفقیت ۴۰ درصد رسید؛ عددی که در برابر ۳٫۷ درصدِ ۲۴۵ شرکت‌کننده انسانی در یک مسابقه، فاصله‌ای خیره‌کننده است.

قابل توجه است که شکست‌ها هم صادقانه گزارش شده‌اند: در پروتئین اتصال‌دهنده مالتوز (MBP)، مدل از ۹۰ تلاش هیچ موفقیتی به دست نیاورد. کل مجموعه‌داده نیز روی Hugging Face منتشر شده است.

#جزئیات فنی

کمپین در دو حالت اجرا شد: چندهدفه، با ۴۸ ساعت زمان ساعت واقعی و حداکثر ۱۲٬۵۰۰ ساعت GPU از نوع NVIDIA H100، و تک‌هدفه با جلسات ۲۴ ساعته و حداکثر ۲٬۵۰۰ ساعت H100 برای هر هدف. Claude در این فرایند خودش محل اتصال روی هر هدف را انتخاب کرد، با ارکستراسیون مدل‌های تخصصی طراحی ساختار و توالی (مانند RFdiffusion3، PXDesign و SolubleMPNN) ساختارهای کاندید تولید کرد، چند چرخه بهینه‌سازی in silico اجرا کرد و کاندیداها را از نظر بیان، حلالیت و اتصال غربالگری نمود. دخالت انسان پس از پرامپت اولیه عملاً به تأیید دسترسی‌های شبکه‌ای محدود شد.

در یک آزمایش موازی، Claude Opus 5 با دریافت داده‌های خام NMR و LC-MS یک آزمایشگاه قراردادی و یک پرامپت دو جمله‌ای، تحلیل کامل را در ۲۳ و ۱۹ دقیقه تحویل داد و با آزمایشگاه حرفه‌ای هم‌خوانی نشان داد (خلوص ۹۶٫۴ درصد در برابر ۹۶٫۳۳ درصد آزمایشگاه).

نرخ موفقیت مدل‌های Claude در برابر ۱۵ هدف پروتئینی — Anthropic

#چرا مهم است؟

این نخستین نمونه مستند از یک LLM است که یک گردش کار کشف دارو را از ابتدا تا اعتبارسنجی آزمایشگاه مرطوب (wet-lab)، سرتاسر و خودگردان اجرا می‌کند. نکته تحلیلی مهم‌تر اما سیاست دسترسی است: Anthropic توانایی‌های زیستی را در قدرتمندترین مدل خود مسدود نگه داشته و قول یک «برنامه دسترسی برای دانشمندان» با سطوح محدود داده است. این یعنی خودِ مسئله دوکاربردی (dual-use) اکنون بخشی از معماری محصول شده، نه یک پانوشت اخلاقی. برای صنعت داروسازی، فشرده‌سازی کاری که پیش‌تر برای هر هدف هفته‌ها تا ماه‌ها طول می‌کشید به چند روز، می‌تواند اقتصاد مراحل اولیه کشف دارو را بازنویسی کند؛ هرچند Anthropic درست اشاره می‌کند که گلوگاه‌های اصلی توسعه دارو همچنان سیاستی و عملیاتی‌اند.

از منظر تاریخی، این نتیجه ادامه منطقی مسیری است که با AlphaFold آغاز شد؛ با این تفاوت که AlphaFold یک مسئله مشخص — پیش‌بینی ساختار — را حل می‌کرد، در حالی که این‌جا یک مدل زبانی همه‌منظوره نقش «مدیر پروژه علمی» را بازی کرده و ابزارهای تخصصی دیگر را ارکستر کرده است. همین نکته، بحث مهم‌تری را باز می‌کند: ارزش افزوده مدل‌های پیش‌مرز در علم، شاید کمتر در «هوشمندتر بودن از متخصص» باشد و بیشتر در «حذف هزینه هماهنگی» میان ابزارها، داده‌ها و آزمایشگاه‌ها. باید هم پذیرفت که ۱۵ هدف آزمون‌شده، هدف‌های رایج بنچمارک‌اند و راه تا داروی واقعی — با آزمون‌های بالینی چندساله و چرخه‌های نظارتی — بسیار دراز است؛ اما اگر مرحله طراحی اولیه از ماه‌ها به روزها برسد، اقتصاد کل زنجیره تغییر می‌کند. نکته پایانی، انتشار کامل داده‌هاست: با قرارگرفتن مجموعه‌داده روی Hugging Face، پژوهشگران مستقل می‌توانند ادعاها را بازآزمایی کنند و همین شفافیت، این کار را از یک دمو تبلیغاتی به یک نتیجه علمی قابل داوری بدل می‌کند.

#اعداد و ارقام

• اهداف پروتئینی: ۱۵ هدف؛ موفقیت در ۱۴ هدف
• طرح‌های تولیدشده: ۱٬۳۲۰؛ اتصال‌دهنده‌های تأییدشده: ۳۵۴
• نرخ موفقیت کلی: ۲۲٫۶ تا ۳۵٫۱ درصد (نرم صنعت: ۱۰ تا ۱۵ درصد)
• RBX1: چهل درصد در برابر ۳٫۷ درصد برای ۲۴۵ انسان
• محاسبات: تا ۱۲٬۵۰۰ ساعت NVIDIA H100
• تحلیل شیمیایی Opus 5: ۲۳ و ۱۹ دقیقه؛ خلوص ۹۶٫۴٪ در برابر ۹۶٫۳۳٪

#منابع

• Anthropic Research — How Claude is accelerating protein design and analytical chemistry
• pharmaphorum — Claude outperforms experts in protein binder task