2026年10月20日，Anthropic公布了一项迄今规模最大的AI蛋白设计实验结果：在64小时内，Claude生成了318,484个针对蝎毒神经毒素的蛋白结合物设计，从中筛选出211个送往独立实验室验证，最终17个通过绑定测试，其中最强候选物Cn2-B1和Cn2-B2对目标毒素展现出单位数纳摩尔级亲和力。两家独立合同研究机构的交叉验证、两位外部专家审阅，以及全部211条序列与69页技术报告的同步公开，共同构成了AI蛋白设计领域迄今最完整的一次可重现闭环。
选择蝎毒作为靶点并非随机。据Anthropic官方研究报告，全球每年有超过120万人遭受蝎子蜇伤，导致3,250人以上死亡，死者多为医疗资源匮乏地区的儿童。现有蝎毒血清生产成本极高，且极难收回研发投入，这类疾病已被定性为“被忽视的热带病”。正是这种结构性市场失灵使蝎毒成为测试AI药物发现能力的理想场景。此次实验的问题由Anthropic与金融投资研究机构Citrini Research共同提出。
64小时内31万次设计是如何完成的
据Anthropic官方报告，整个设计流程由一个内部研究模型在Claude Science环境中运行，起点是与Citrini Research共同拟定的一份35页提示词，以及后续4次补充指令——其余工作由Claude完全自主完成。过程中，Claude从蛋白质数据库（Protein Data Bank）和AlphaFold数据库检索目标毒素结构，针对5种神经毒素各识别5个关键氨基酸热点位，再调用12种专业蛋白设计工具生成候选序列，对所有与已知蛋白或毒素相似的设计执行过滤。系统最终对553,052对设计-毒素组合完成共折叠计算，协同调度超过300个并行计算智能体，整个过程消耗约10,000小时H100 GPU算力。
这里的关键不在于Claude是否“理解”蛋白质化学，而在于它扮演了一个能把异构专业工具链串联起来的调度层。单独的结构生成模型、折叠预测模型早已存在，真正的难点始终是：哪个位点值得尝试、哪种方法适合当前靶点、中间结果如何指导下一步筛选。过去，这个位置由计算蛋白设计专家填补，现在Claude填补了这个位置——而且速度远超人工。
17个命中的真实含义：拆解命中率
17/211的总命中率约为8%。这个数字需要拆解来看。在专注于单一毒素的设计组（60个候选）中，命中率升至18%（11/60）；专为同时靶向多种毒素而设计的候选物则无一通过绑定测试。这个分层结果清楚地指出了当前方法在任务复杂度上的边界。
以行业背景衡量，据Anthropic研究报告引用的公开数据，从头设计蛋白结合物的行业典型命中率约为10%至15%。此次单靶设计的18%略高于这一基准，但幅度并不悬殊。真正突出的有两点：第一，绝对设计通量——64小时内完成31万次设计，任何人工团队均无法比拟；第二，Cn2-B1和Cn2-B2两个结合物所达到的单位数纳摩尔亲和力，且据实验室数据，其结合位点与一种已知能在小鼠体内中和Cn2的抗体高度重叠，这个结构线索对后续开发具有重要价值。
今年8月，Anthropic曾公布一项前置研究：Claude针对15个蛋白靶点设计结合剂，14个靶点获得实验确认的结合剂，Mythos Preview和Opus 4.8命中率分别达到26.7%和22.6%，在单靶点专注模式下最高达35.1%——均高于此次蝎毒实验的整体数字。差异在于靶点性质：8月实验面对的是实验室常用蛋白，此次是医疗实际需求的神经毒素，难度等级不同，可比性有限。此次更重要的意义在于验证方式的升级：由两家独立CRO交叉检验，而非单一内部结果。
独立验证：这次实验真正难以被忽略的地方
AI生命科学研究最常见的批评是：模型在计算层面表现出色，一旦进入湿实验室便折戟。这次实验刻意设计了防范这一批评的三层结构：Adaptyv Bio和Twist Bioscience两家独立合同研究机构分别对211个候选物进行测试；结果送至西班牙国家癌症研究中心的苏珊娜·巴斯克斯·托雷斯（Susana Vázquez Torres）和丹麦技术大学的蒂莫西·P·詹金斯（Timothy P. Jenkins）两位外部专家审阅；全部序列和实验数据同步公开，允许任何团队独立重现。
这种公开序列加独立验证加外部专家评审的组合，在AI蛋白设计研究中相当罕见。它为后续争论提供了一个可以反复引用的数据基准。
对各方的影响：得失因利益相关方而异
对制药公司早期研发部门而言，这次实验提示了一个实质性的流程压缩可能性：从靶点确认到候选筛选，AI可以在数天内完成原本需要数月的高通量计算设计。以往限制速度的主要是人力和专业团队规模；10,000小时GPU算力的成本已不是行业壁垒，速度本身正成为竞争优势。
对合同研究机构（CRO）而言，AI生成海量候选物意味着湿实验验证需求会同步放大，而非被替代。此次两家CRO均深度参与实验，正说明了这种互补关系：AI压缩的是计算设计周期，实验室需求反而因候选物数量激增而上升。
对非专家团队的含义更具颠覆性。参与问题定义的Citrini Research是一家金融投资研究机构，与生物医药研发并无直接渊源。这说明在AI工具链足够成熟的情况下，发起一个结构合理的蛋白设计项目，不再必须由具备完整计算蛋白背景的团队主导——前提是能设计正确的验证流程，并与有能力执行湿实验的机构合作。
已知边界：这次实验证明了什么，没证明什么
需要明确区分事实与推断。已证明的：AI可在合理算力预算内高通量生成蛋白结合物候选，部分结合物具有可测量的纳摩尔级亲和力，计算预测与湿实验结果相符，五种神经毒素中的四种获得了有效结合剂。未证明的：这17个结合物是否能在细胞环境中中和蝎毒，是否在活体动物实验中有效，以及临床可行性。Anthropic在报告中明确声明：未确认这些结合物能在细胞环境中中和蝎毒，不主张已生产出抗毒素。从结合到抗毒素，至少还需要细胞中和验证、毒理学安全评估、动物模型、生产规模化和临床试验等多道关卡。
多毒素设计方向的全军覆没也值得单独标注。针对5种毒素中专门设计为跨毒素同时结合的候选物，无一通过测试。广谱蛇毒血清的研发困难——单一产品覆盖多种毒素——在AI主导的设计阶段依然存在，并未被自动解决。
监管空白与接下来的关键信号
AI驱动的候选物生成速度正在接近人类监管能力难以同步跟进的水平。一个AI在64小时内提出318,484个设计候选，在设计层面合法，不需要任何审批；但一旦进入临床转化，无论FDA还是EMA，目前都没有专门针对AI设计分子的完整审批路径。这不是这次实验的特有问题，但这次实验的规模使这个问题变得更加具体。
最近的可观察信号是这17个结合物的后续走向：细胞中和实验的数据可能在未来数月内出现，届时“结合”与“有效”之间的差距将被量化。如果Cn2-B1和Cn2-B2在细胞层面也通过测试，这将成为推动动物实验投入的关键触发点，也将使AI药物发现从概念验证升级为实际开发管线的起点。更宏观的信号在于：这次实验证明了高质量蛋白设计项目可以由非传统主体发起。未来谁能把AI候选物生成、湿实验验证、临床前评估整合为完整管线，比谁拥有更大实验室更早决定竞争格局——而当前AI基础设施与生物学知识整合的深度，将是这场迁移速度的主要变量。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接