Claude научился проектировать белки: 14 из 15 целей успешно прошли проверку в лаборатории
Искусственный интеллект постепенно выходит за пределы привычных задач вроде генерации текста, написания кода и анализа документов. Теперь большие языковые модели начинают использоваться как интеллектуальные координаторы в научных экспериментах. Один из наиболее показательных примеров недавно продемонстрировала Anthropic: компания предоставила Claude доступ к научной литературе, интернету и специализированным инструментам для проектирования белков.
В ходе эксперимента модель около 48 часов самостоятельно работала над задачей, которая имеет непосредственное отношение к современной биоинженерии и поиску новых лекарственных соединений. Claude должен был создавать белки-связыватели — небольшие белковые молекулы, способные избирательно присоединяться к заданным белкам-мишеням.
Результат оказался неожиданно сильным. Для 15 целей были подготовлены экспериментальные конструкции, и для 14 из них в лаборатории удалось обнаружить работающие связыватели. Всего из 1320 разработанных кандидатов 354 продемонстрировали способность связываться с соответствующими мишенями. В зависимости от методики эксперимента доля успешных кандидатов составила от 22,6% до 35,1%, тогда как типичные показатели подобных проектов находятся примерно в диапазоне 10–15%.
Однако особенно интересно здесь не просто количество удачных белков. Главное достижение заключается в том, что Claude выступал не обычным генератором последовательностей, а своеобразным научным агентом, который самостоятельно выбирал инструменты, анализировал результаты и решал, какие следующие действия необходимо выполнить.
Что именно должен был сделать Claude
Проектирование белков — сложная многоэтапная задача. Белок представляет собой цепочку аминокислот, которая сворачивается в трехмерную структуру. Даже небольшое изменение последовательности способно изменить форму молекулы, ее стабильность и способность взаимодействовать с другими белками.
В данном эксперименте речь шла не о создании готового лекарства. Цель была более узкой, но чрезвычайно важной для биотехнологии: разработать белок, который будет достаточно точно распознавать определенную молекулу-мишень и связываться с ней.
Такой белок называют protein binder, то есть белком-связывателем. Условно его можно сравнить с ключом, который должен подходить к определенному замку. Причем важно не только само соединение, но и его специфичность, стабильность и сила взаимодействия.
Получение хорошего связывателя может стать одним из первых этапов разработки лекарственных препаратов, диагностических тестов и исследовательских инструментов. Но принципиально важно понимать: успешный binder еще не является лекарством. Между созданием подходящей молекулы и появлением безопасного препарата проходят годы исследований, испытаний и проверок.
Claude стал координатором целой цепочки инструментов
Интерес эксперимента Anthropic заключается в архитектуре процесса. Claude не создавал все белковые структуры исключительно собственными знаниями. Вместо этого модель получила возможность использовать специализированные научные инструменты, которые уже применяются исследователями.
Фактически языковая модель выполняла роль своеобразного научного руководителя или диспетчера. Она должна была определить, какую задачу решить на очередном этапе, какой инструмент для этого использовать и как интерпретировать полученный результат.
В рабочий процесс входили такие операции, как:
- изучение научной информации о целевом белке;
- определение перспективных участков для связывания;
- генерация новых белковых конструкций;
- оптимизация аминокислотных последовательностей;
- оценка предполагаемой трехмерной структуры;
- отбраковка неудачных вариантов;
- выбор наиболее перспективных кандидатов для лабораторной проверки.
Именно способность соединять различные специализированные инструменты в единую цепочку может оказаться более важной, чем собственно генерация новых последовательностей. Современная наука уже располагает большим количеством моделей для отдельных этапов проектирования белков, но специалисту необходимо понимать, когда и зачем применять каждую из них.
1320 кандидатов и 354 успешных связывателя
Для проверки результатов созданные Claude конструкции были переданы внешним лабораториям. Компании Adaptyv Bio и Twist Bioscience физически синтезировали предложенные молекулы и проверяли их реальные свойства.
Всего было создано 1320 кандидатов. После экспериментальной проверки 354 из них продемонстрировали подтвержденное связывание с целевыми белками. В итоге положительные результаты были получены для 14 из 15 исследованных мишеней.
Если рассматривать показатель успешности отдельных кандидатов, результат находился в диапазоне 22,6–35,1% в зависимости от конкретной конфигурации эксперимента. Это существенно выше заявленного Anthropic типичного уровня в 10–15% для подобных задач.
Разумеется, прямое сравнение таких процентов требует осторожности. Результат зависит от набора целей, используемых методов, критериев успешности и других особенностей экспериментального протокола. Тем не менее даже с учетом этих оговорок эксперимент показывает, что современные ИИ-системы уже способны существенно повышать эффективность поиска перспективных белковых конструкций.
Особенно впечатляющий пример — RBX1
Одним из наиболее интересных результатов стал эксперимент с белком RBX1. В этом случае Mythos Preview получил показатель успешных конструкций около 40%.
Для сравнения Anthropic приводит результат около 3,7%, полученный участниками соответствующего соревнования Adaptyv Bio. Более того, лучший созданный ИИ вариант показал высокую аффинность — то есть способность достаточно прочно взаимодействовать с мишенью.
Такой пример важен потому, что показывает: преимущество ИИ может проявляться не только в способности быстро создать большое количество вариантов. При удачной организации процесса модель способна находить решения, которые трудно получить обычным перебором.
При этом нельзя делать вывод, будто Claude уже превосходит ученых абсолютно во всех задачах. Эксперимент проводился на конкретных мишенях и с определенным набором инструментов. Результаты на других белках могут оказаться совершенно иными.
Но были и полные провалы
Важная деталь исследования — Claude не добился успеха для всех целей. Наиболее наглядный пример связан с MBP. Все 90 разработанных для этой мишени вариантов не дали подтвержденного связывателя.
Этот результат не менее важен, чем 14 успешных целей. Он показывает, что нынешние ИИ-системы еще не превратились в универсальные машины для создания работающих молекул. Даже впечатляющая статистика не отменяет необходимости экспериментальной проверки.
Для биологии это принципиальное ограничение. Компьютерная модель может предположить, что определенная последовательность должна обладать нужной структурой или взаимодействием, но реальная молекула может вести себя иначе.
Поэтому современный процесс выглядит как замкнутый цикл:
- ИИ предлагает потенциальные конструкции;
- компьютерные модели оценивают их свойства;
- исследователи выбирают кандидатов;
- лаборатория синтезирует молекулы;
- эксперимент показывает, какие прогнозы оказались правильными;
- полученные данные используются для следующей итерации.
Чем быстрее удается проходить этот цикл, тем больше вариантов можно проверить за ограниченное время и тем выше вероятность найти действительно полезную молекулу.
Claude смог анализировать лабораторные данные
Еще один эксперимент Anthropic показывает другую сторону возможностей ИИ. После синтеза молекулы необходимо убедиться, что лаборатория действительно получила нужное вещество и что образец имеет достаточную чистоту.
Для этого химики используют, среди прочего, ядерный магнитный резонанс (NMR) и масс-спектрометрию с жидкостной хроматографией (LC-MS). Такие методы генерируют исходные данные, которые затем приходится обрабатывать с помощью специализированного программного обеспечения.
Anthropic передала Claude Opus 5 исходные файлы лабораторных измерений и попросила выполнить соответствующий анализ. Для обработки данных двух методов модели потребовалось примерно по 20 минут на каждый тип анализа.
Полученная оценка чистоты составила 96,4%. Лабораторный результат при этом составлял 96,33%. Разница оказалась настолько небольшой, что этот пример демонстрирует потенциальную ценность ИИ не только на этапе проектирования, но и непосредственно при обработке научных результатов.
Подобные задачи могут выглядеть менее впечатляюще, чем создание новой белковой молекулы, однако именно они часто занимают значительную часть рабочего времени исследователей. Автоматизация анализа данных способна ускорить эксперименты и позволить ученым сосредоточиться на интерпретации результатов и принятии решений.
Почему это важно для разработки лекарств
Белки играют центральную роль практически во всех биологических процессах. Многие заболевания связаны с неправильной работой определенных белков или с нарушением взаимодействия между ними.
Если ученые могут создать молекулу, которая избирательно связывается с определенной мишенью, это открывает несколько потенциальных направлений применения:
- блокирование активности нежелательного белка;
- изменение определенного биологического процесса;
- создание диагностических реагентов;
- разработка новых исследовательских инструментов;
- создание основы для будущих терапевтических молекул.
Традиционно поиск подходящего связывателя может потребовать большого количества итераций. Исследователь формирует гипотезу, создает варианты, проводит вычислительный анализ, синтезирует кандидатов, тестирует их, а затем возвращается к проектированию.
ИИ-агент потенциально способен значительно ускорить этот цикл. Если модель умеет самостоятельно выбирать инструменты и анализировать промежуточные результаты, человек может перейти от ручного выполнения большого количества рутинных операций к контролю всей экспериментальной стратегии.
Почему 14 из 15 — еще не революция в фармакологии
Высокий показатель успешности легко неправильно интерпретировать. Заголовок о том, что Claude создал работающие белки для 14 из 15 целей, действительно звучит впечатляюще, но он не означает, что Anthropic уже научилась создавать лекарства с помощью чат-бота.
Между успешным связывателем и лекарственным препаратом находится огромное количество дополнительных этапов. Необходимо выяснить, насколько молекула специфична, стабильна и безопасна, как она ведет себя в сложной биологической среде, не вызывает ли нежелательных эффектов и сохраняет ли нужные свойства в организме.
Кроме того, потенциальный препарат должен пройти доклинические исследования и несколько стадий клинических испытаний. Только после этого можно говорить о доказанной эффективности и безопасности для пациентов.
Поэтому правильнее воспринимать эксперимент Anthropic как демонстрацию нового инструмента для биологических исследований, а не как появление автоматического генератора лекарств.
Главный сдвиг: ИИ становится научным агентом
Наиболее интересный вывод из эксперимента связан даже не с белками. Он показывает, как может измениться роль языковых моделей в научной работе.
Обычный чат-бот отвечает на вопрос пользователя. Научный агент действует иначе: он получает задачу, самостоятельно разбивает ее на этапы, обращается к внешним инструментам, анализирует результаты и формирует следующий шаг.
В случае Claude такая схема особенно хорошо проявилась благодаря сочетанию языковой модели со специализированными программами. Самостоятельно модель не обязана знать все детали физики, химии и структурной биологии. Ее преимущество заключается в способности объединять знания и инструменты в единый рабочий процесс.
Такой подход можно представить следующим образом:
- человек формулирует научную цель;
- ИИ изучает доступную информацию и планирует работу;
- специализированные модели выполняют отдельные вычисления;
- ИИ сравнивает результаты и отбрасывает слабые варианты;
- лаборатория проверяет наиболее перспективные конструкции;
- экспериментальные данные возвращаются в рабочий цикл.
Именно последний пункт особенно важен. Наука всегда требует связи между вычислительным прогнозом и реальным экспериментом. ИИ может ускорить вычислительную часть, но окончательную проверку физического мира заменить пока не способен.
Что изменится в будущем
Если подобные системы продолжат развиваться, научные лаборатории могут получить совершенно новый класс программных инструментов. Вместо отдельных моделей для анализа последовательностей, структур или экспериментальных данных появятся агенты, способные управлять всей цепочкой исследований.
В таком сценарии ученый будет задавать не отдельную команду вроде «проанализируй эту последовательность», а более высокий уровень цели: найти белковую конструкцию с определенными характеристиками, проверить несколько гипотез и подготовить наиболее перспективные варианты к эксперименту.
Это потенциально способно сократить время между возникновением научной идеи и ее экспериментальной проверкой. Но одновременно возрастает значение контроля. Чем больше решений принимает автономная система, тем важнее проверять ее выводы, фиксировать происхождение данных и сохранять возможность вмешательства человека.
Выводы
Эксперимент Anthropic с Claude показывает, что современные ИИ-системы начинают становиться не просто помощниками для ученых, а координаторами сложных исследовательских процессов. Модель работала с научной литературой, специализированными инструментами проектирования белков, анализировала варианты и выбирала кандидатов для лабораторной проверки.
Из 1320 разработанных кандидатов 354 успешно связались с целевыми белками, а положительный результат был получен для 14 из 15 мишеней. При этом эксперимент показал и обратную сторону технологии: для одной из целей все 90 вариантов оказались неудачными.
Самое важное здесь — сочетание искусственного интеллекта и реальной лаборатории. Claude не заменил биологов и химиков и не создал готовое лекарство. Однако он продемонстрировал, что ИИ уже способен самостоятельно управлять значительной частью вычислительного этапа научного эксперимента.
В ближайшие годы именно такая модель — человек ставит цель, ИИ планирует и координирует работу, специализированные инструменты выполняют расчеты, а лаборатория проверяет результат — может стать одним из ключевых направлений развития AI for Science.
FAQ: часто задаваемые вопросы
Что именно Claude создавал в этом эксперименте?
Claude проектировал белки-связыватели — молекулы, способные избирательно взаимодействовать с определенными белками-мишенями. Это не были готовые лекарственные препараты.
Сколько целей удалось успешно поразить?
Работающие связыватели были получены для 14 из 15 исследованных целей.
Сколько белковых кандидатов было создано?
Всего было разработано 1320 кандидатов, из которых 354 показали подтвержденное связывание с целевыми белками.
Насколько хорошо Claude справился по сравнению с обычными методами?
В зависимости от экспериментальной конфигурации успешными оказались 22,6–35,1% кандидатов. Anthropic указывает, что типичный показатель в подобных задачах составляет около 10–15%, хотя прямые сравнения необходимо интерпретировать осторожно.
Создал ли Claude новое лекарство?
Нет. Белок-связыватель является лишь потенциально полезным компонентом будущего препарата. После его создания необходимы многочисленные исследования эффективности, специфичности, стабильности и безопасности.
Работал ли Claude полностью самостоятельно?
В вычислительной части эксперимента модель действовала автономно, используя доступные научные инструменты. При этом физическое производство и лабораторная проверка разработанных молекул выполнялись людьми и специализированными компаниями.
Почему лабораторная проверка так важна?
Компьютерная модель может предсказать свойства молекулы, но только эксперимент показывает, действительно ли созданная конструкция обладает нужными характеристиками в реальности.
Можно ли считать этот эксперимент доказательством превосходства ИИ над учеными?
Нет. Результаты показывают высокую эффективность конкретного ИИ-агента на выбранном наборе задач, но не доказывают универсального превосходства над специалистами. Для оценки таких выводов нужны более масштабные независимые исследования.
Что является главным достижением эксперимента?
Не только количество успешных белков, а способность Claude объединять научную информацию и специализированные модели в единую цепочку действий. Именно переход от обычного чат-бота к автономному научному агенту может оказаться наиболее значимым последствием этой работы.
Редактор: AndreyEx
