Claude Opus 4.8 自主設計蛋白質結合體：16 個靶點、27% 命中率、全程無人干預

蛋白質藥物設計長期是少數專家的禁區——你得懂靶點生物學、結構建模、一堆快速迭代的計算工具，還要花好幾天親手調度軟體與運算資源。Anthropic 的這份研究想回答的問題很直接：這些專業判斷，AI 能代勞多少？

答案比多數人預期的要硬。Anthropic 把一個蛋白質結合體設計流程的完整工作知識，寫進一份約 16,000 字的系統提示詞，然後讓 Claude Opus 4.8 和 Mythos Preview 各自對 16 個蛋白質靶點展開 24 到 48 小時的自主設計作業——不指定表位、不指定骨架、不指定序列，Claude 只拿到靶點名稱、UniProt 編號、生物體與寡聚狀態，其餘全部自行決策。它自己查靶點文獻、選擇結合位點、安裝並執行開源蛋白質設計模型、做篩選與優化，最後每個靶點交出 30 個排序設計。兩家獨立合約研究機構（CRO）按 Claude 的輸出原樣合成全部設計並測量結合活性。

數字說話。在可解讀的 15 個靶點上，1,320 個設計裡有 354 個確認結合，整體命中率 27%；每個靶點排名第一的設計命中率達 49%。在 E3 連接酶次單元 RBX1 這個靶點上，一場公開設計競賽裡 245 個 de novo 設計只有 9 個命中，Claude 的 90 個設計則有 28 個命中，且最緊的結合解離常數（KD）達 3.9 nM，比競賽獲獎作品重新合成後量測的 45 nM 強了一個數量級。此外，233 個被拿去測小鼠同源蛋白的結合體裡，有 130 個同樣結合——而這僅是提示詞裡排在次要位置的目標。

這件事的分量不只在數字。現有 de novo 設計文獻的水準大約是幾十到幾百個設計找到結合體，Claude 達到的 27% 整體命中率和 35.1%（Mythos Preview 單靶點模式）已落在這個區間內，而且所有工具全部開源，沒有用到任何需要商業授權的模型。這意味著「一台裝了雲端 GPU 帳號的電腦加上這份提示詞」，理論上就能讓缺乏計算生物學人力的實驗室跑一整套設計流程。Anthropic 已把提示詞、1,440 個設計的計算模型、以及 1,320 個設計的結合數據全數公開釋出。

要看清楚這件事的邊界：Claude 能做的是執行設計流程，靶點選擇、合成下單、結合數據解讀，仍由人完成。而且一個 48 小時多靶點作業的運算預算是五萬美元——這不是免費午餐，只是把專家人力的門檻換成了算力預算。但邏輯很清楚：專家人力稀缺、可複製性差、成本高；算力預算稀缺程度遠低於此。真正的問題是，這條路走到哪裡算真正自主？目前的答案是：設計決策全程自主，但實驗驗證那一關還在人手上。藥物發現的分工正在重組，這份資料本身就是基準點。