当ChatGPT们还在写代码、做表格时，Claude已经在实验室里设计蛋白质了。8月18日，Anthropic发布研究称，其Claude Mythos Preview和Opus 4.8模型设计的蛋白结合剂，在15个靶点中成功命中14个，独立生产与测试由Adaptyv Bio和Twist Bioscience完成。在提交的1320个设计中，有354个与目标蛋白成功结合，平均命中率26.8%，而专业蛋白质设计项目中的常规命中率只有10%至15%。在RBX1靶点上，Claude Mythos Preview更实现了40%的命中率，而该蛋白此前的公开竞赛基线仅为3.7%。Anthropic已将所有1320个设计、完整数据集和原始提示词开源到Hugging Face的claude-protein-binder-design仓库，这意味着AI蛋白质设计正从"实验室奇迹"走向"可复现的工程能力"。
蛋白质结合剂是生物医药的"定向导弹"。它的作用是像抗体一样特异性地结合某个目标蛋白，从而阻断致病蛋白的功能，是药物研发、诊断试剂和生物传感器的基础构件。传统上设计一个蛋白结合剂，需要科研团队耗费数月甚至数年，通过噬菌体展示、理性突变等大量实验迭代，成功率极低。AI进入这一领域后，核心任务是降低"大海捞针"的成本：在数百万种可能的氨基酸序列中，找出能与目标蛋白稳定结合的那一个。
Anthropic这次研究的突破点，在于把"命中率"这个指标拉高了一倍。354个成功结合的设计意味着，研究人员提交的蛋白序列中超过四分之一能与目标结合，这让下游实验验证从"博彩"变成了"筛选"。更值得注意的是RBX1靶点上的对比：同一蛋白在此前的开放竞赛中基线命中率仅3.7%，而Claude Mythos Preview达到40%，提升超过10倍。这种量级的改善，对于动辄花费数百万美元进行实验验证的蛋白设计项目来说，意味着同样预算下能覆盖的靶点数量大幅增加。
Anthropic并没有披露模型内部的完整技术细节，但从研究公开的信息可以推断其方法论：Claude通过大规模学习蛋白质序列与结构数据，掌握了氨基酸序列与三维折叠之间的深层关联，进而能够生成与目标蛋白表面互补的候选结合序列。其核心创新在于把蛋白质设计当作一个"约束满足"问题来处理，模型不仅预测序列，还隐式地评估序列与目标之间的几何匹配度和物理化学互补性，从而在生成阶段就过滤掉大量无效候选。
这次研究还展示了大模型在跨模态科学推理上的潜力。在并行的化学测试中，Claude Opus 5仅凭两句话的提示，就用23分钟和19分钟分别分析了原始NMR和LC-MS数据，得到的纯度读数与签约实验室的结果相差不到0.1%。这意味着Claude不仅能设计蛋白质，还能理解实验仪器输出的原始数据，把"设计、验证、解读"的科研闭环压缩在同一套模型能力之内。对生物医药行业来说，这种"设计加解读"的一体化能力，正是AI从辅助工具走向科研协作者的标志。
Anthropic把全部设计、数据集和提示词开源，这个动作的意义不亚于研究本身。蛋白质设计的最大瓶颈是数据，过去各大实验室的设计数据散落在论文和私有数据库中，难以复用。Anthropic的claude-protein-binder-design仓库让全球研究者都能拿到这批带实验验证结果的数据，既可以用来微调自己的模型，也可以作为评测基准。这相当于为AI蛋白质设计领域注入了一批高质量的"标准答案"，将显著加速整个领域的技术迭代。
从产业视角看，AI蛋白质设计的突破正在与制药行业的需求共振。Isomorphic Labs基于AlphaFold 3设计的4个药物候选已进入一期临床，Moderna与默沙东的个性化mRNA癌症疫苗III期试验成功，国产AI制药公司也在加速管线布局。当AI设计蛋白结合剂的命中率从10%提升到26.8%，新药研发"先设计、后验证"的范式就更加可行，研发周期和成本有望被系统性压缩。当然，从设计命中到临床有效仍有漫长距离，354个结合设计最终能有多少成为药物候选还是未知数，但AI在蛋白质设计这条赛道上展现出的速度，已经让整个制药行业无法忽视。当"设计蛋白质"从科研人员的专属技能变成大模型的一行提示词，生命科学的研发节奏正在被重新定义。
需要冷静看待的是，26.8%的命中率解决的是"能不能结合"的问题，距离"能不能成药"还有很长的路。蛋白结合剂与目标结合之后，还要评估亲和力是否足够强、特异性是否足够高、在体内是否稳定、是否会引起免疫反应，这些环节中的任何一个都可能让候选分子止步于临床前研究。行业统计显示，进入临床的候选药物最终获批上市的概率通常只有10%左右，这意味着AI设计的354个结合剂即使全部进入开发流程，最终能成为药物的也只是极少数，但这并不削弱AI蛋白质设计的价值：它的意义在于把上游候选池的规模和质量同时提升，让药物发现的起点更高、更可靠。
从成本角度看，AI设计对早期研发的杠杆效应同样明显。传统蛋白设计每个靶点的实验验证成本动辄数十万美元，而AI生成候选序列的成本几乎可以忽略，即使只把命中率从10%提高到26.8%，同等预算下能探索的靶点数量就增加了近两倍，这对资源有限的科研机构和初创药企尤其重要。Anthropic此次把全部设计数据和提示词开源，也让其他团队可以站在同一数据集上继续迭代，这种"数据共享、能力普惠"的模式，正在加速整个AI蛋白质设计领域的进步。可以预见，随着模型能力的提升和实验反馈数据的积累，AI蛋白质设计的命中率还会继续爬升，而它距离真正改变新药研发节奏的那一天，可能比多数人想象的更近。