Прорыв в дизайне белков: от 15% к 35% успеха
Компания Anthropic опубликовала данные о способности моделей Claude (Mythos Preview и Opus 4.8) создавать новые белковые связывающие молекулы (minibinders) с нуля. Это критически важный этап разработки лекарств, который исторически требовал от специалистов-химиков недель или месяцев вычислений и оптимизации.
В ходе эксперимента с участием 15 целевых белков (включая два новых — 15-PGDH и GDF-8, исключенных из обучающих данных) Claude успешно разработал связывающие белки для 14 из них. Ключевая метрика — «hit rate» (доля успешных дизайнов, которые реально связались с мишенью в лаборатории) — составила:
- 26.7% для Mythos Preview (многоцелевой режим, 48 часов).
- 22.6% для Opus 4.8 (многоцелевой режим, 48 часов).
- 35.1% для Mythos Preview (одиночный режим, 24 часа на цель).
Для сравнения, типичный показатель успешности в современных кампаниях по дизайну белков составляет всего 10–15%. Некоторые созданные Claude молекулы показали аффинность (силу связывания), превышающую лучшие ранее опубликованные результаты.
Аналитическая химия: Claude Opus 5 против лабораторных отчетов
Во втором эксперименте оценивалась способность модели Claude Opus 5 анализировать данные ЯМР (NMR) и ВЭЖХ-МС (LC-MS) — стандартные методы проверки чистоты и идентичности соединений. Модель получила только сырые файлы от контрактной лаборатории и краткое двухпредложное описание задачи.
Результаты превзошли ожидания по скорости:
- Анализ завершен за 23 минуты (вместо часов ручного труда).
- Анализ завершен за 19 минут для другого образца.
Точность совпала с лабораторными данными: Claude определил чистоту в 96.4%, тогда как лабораторный анализ показал 96.33%.
Технические детали и ресурсы
Эксперименты проводились с использованием вычислительных ресурсов, эмулирующих типичные кампании. Для многоцелевого режима (48 часов) использовалось до 12 500 часов вычислений на NVIDIA H100. Для одиночного режима (24 часа на цель) — до 2 500 часов H100 на каждую мишень. Валидацию дизайнов проводили независимые партнеры — Adaptyv Bio и Twist Bioscience.
Сравнение производительности моделей
| Модель / Режим | Время работы | Вычислительные ресурсы (H100) | Hit Rate (Успешность) |
|---|---|---|---|
| Mythos Preview (Многоцелевой) | 48 часов | до 12 500 часов | 26.7% |
| Opus 4.8 (Многоцелевой) | 48 часов | до 12 500 часов | 22.6% |
| Mythos Preview (Одиночный) | 24 часа на цель | до 2 500 часов на цель | 35.1% |
| Типичный индустриальный стандарт | Недели/месяцы | — | 10–15% |
Почему это важно
Результаты демонстрируют, что генеративный ИИ может не только ускорить рутинные задачи (анализ данных), но и конкурировать с экспертами в сложных задачах de novo дизайна. Снижение времени с месяцев до часов и повышение успешности в 2-3 раза может кардинально сократить стоимость и сроки разработки новых препаратов. Anthropic планирует запустить программу доступа для ученых, так как в данный момент доступ к самым мощным моделям для научных задач ограничен.
Источник: Anthropic ↗