模型干的是整条流水线，不是出个序列
值得注意的不是「AI 设计蛋白质」这句话本身——专用的结构与序列设计模型早就在做这件事。区别在分工：这次 Claude 拿到一段人工写的详细提示词之后，自己去查靶点资料、选表位、调度开源的结构与序列设计工具、在计算机里做多轮优化，再按可溶性、可表达性和新颖度筛掉一批，人只在基础设施层面做审批。Anthropic 的说法是，这套流程由人来操作通常要花几周。 验证交给了外部：Twist Bioscience 拿到 1320 个设计中的 1260 个（缺 latent GDF-8 一组），与 Adaptyv Bio 并行把它们表达成人源 IgG1 Fc 融合蛋白。两家的读数口径不同——Adaptyv 给结合/不结合的二分类，Twist 报拟合速率常数——所以两份数据先各自独立盲标，再按固定规则合并。为了排除模型在训练数据里见过成功案例的可能，题目里还塞了 15-PGDH 和 GDF-8 两个来自 Adaptyv 近期竞赛的新靶点。 结果按靶点差异很大：TREM2 有 90 个设计中 72 个结合，VEGF-A 是 90 中 54；RBX1 这个公开设计竞赛里 245 个候选只有 9 个结合的靶点，Claude 是 90 中 28。至少 6 个靶点拿到高亲和力结合体，至少 4 个达到或超过已发表的最佳亲和力。
顺带公布的分析化学数字
另一组实验用的是已经普遍可用的 Opus 5：处理原始 NMR 数据用了 23 分钟，氢原子计数与实验室结果相差在 0.08 个 ¹H 以内；LC-MS 算出的纯度是 96.4%，实验室自己读的是 96.33%。这部分不涉及新能力解锁，但它是当天更容易被复现的一条。
保留意见与开放节奏
已有质疑指向实际价值：有批评认为这些结合体的亲和力对多肽类药物而言偏低，且没有一个靶向细胞内蛋白。另外 Anthropic 也提示不同来源采用的统计口径不同，几个命中率数字不能直接互相替换。Adaptyv 自己的评价是这属于开环实验，下一步才是让 agent 从每批实验结果里学习。 对读者更实际的一条是：蛋白设计这类双用途生物能力在 Claude Fable 5 里仍处于不开放状态，Anthropic 说面向科学家的访问计划是「最高优先级之一」，但没有给时间表——现在拿 API 是复现不了这套流程的。
via: Anthropic 研究报告、Anthropic 技术论文 PDF、Adaptyv Bio 案例研究、The Decoder