Claude 蛋白質設計實驗：354 個 Binder 命中，離新藥還有多遠？（2026）

Claude 蛋白質設計出現了一組值得認真看、也必須把歸因說準的實驗結果。2026 年 8 月 18 日，Anthropic 在官網發布〈How Claude is accelerating protein design and analytical chemistry〉：Claude Mythos Preview 與 Opus 4.8 編排蛋白質 binder 設計 campaign，外部合約研究機構再把設計做成實體並量測。排除量測無法解讀的 mature GDF-8 後，15 個 target 共 1,320 個設計納入分析；Anthropic 的整合規則將其中 354 個判為 binder，命中率 26.8%。

這比只看電腦模擬前進了一大步，卻不是「Claude 已經設計出新藥」。它證明的是一段早期研究流程能由 AI agent 大幅自主化，而且輸出可以接受物理實驗；它沒有證明安全性、人體療效或臨床成功。先把原始研究放在桌上：點擊下圖會在新分頁開啟 Anthropic 原文。

以下先忠實整理 Claude 做了什麼，再逐一查證數字、量測與比較基準，最後判斷這項成果真正跨過哪一道門、又離藥物開發還有多遠。

---

先把 354／1,320 說清楚：這是 binder 命中，不是藥物成功

Binder 是被設計來「黏住」特定目標蛋白的分子。若把目標想成一把形狀複雜的鎖，設計工作是在巨大序列空間中找出可能貼合鎖面的新蛋白；wet lab 再檢查它在特定實驗條件下，是否真的出現隨濃度變化的結合訊號。這是一個有用的早期篩選終點，不等於分子已能改變疾病機制。

Anthropic 技術報告記錄的完整口徑是：研究共嘗試 16 個 target；其中 mature GDF-8 的 120 個設計因聚集與非特異性黏附，量測無法解讀而被排除。剩下 15 個可解讀 target、1,320 個設計，14 個 target 至少出現一個 binder；報告同時註明其中兩個成功案例相當邊緣。354 除以 1,320 的精確值是 26.818%，所以正文寫 26.8%、摘要寫約 27% 都成立。

Campaign	Binder／設計數	該組 binding-hit rate
Opus 4.8 multi-target	88／390	22.6%
Mythos Preview multi-target	104／390	26.7%
Mythos Preview single-target	158／450	35.1%
Opus 4.8 single-target	4／90	4.4%
合計	354／1,320	26.8%

35.1% 是最吸睛的數字，但不能簡化成「專注單一目標就更強」。single-target 設定由 15 個平行的 24 小時 session 組成，每個 target 的算力約是 48 小時 multi-target 設定的 2.8 倍；模型、運行格式與每次 campaign 的隨機差異也彼此混雜。報告沒有做控制實驗去分離「專注」和「更多算力」各自貢獻多少。

正面訊號不只在平均值。報告的 41 個 target × campaign 組合中，排名第一的設計有 20 個命中，合計 49%；354 個 binder 裡，194 個的量測親和力低於 100 nM、90 個低於 10 nM、42 個低於 1 nM。不過，五個多聚體 target 的親和力是受 avidity 影響的 apparent value，而且沒有任何設計取得實驗結構。

---

Claude 真正做的事：當研究協調器，而不是憑空吐出蛋白質

這次 Claude 蛋白質設計的核心，不是一個大型語言模型單靠內部參數直接猜 1,320 條序列。Anthropic 給了 Claude 一份約 30,000 token 的研究 protocol、文獻與公開設計資料，並允許它呼叫 GPU、網路、subagent，以及多套專門工具。Claude 自己選擇設計路線、分配運算、檢查中間結果、淘汰候選；最後每個 target × campaign 組合通常交付 30 個設計。TNFα 另有一組由 Shanehsazzadeh 依預定規則從模型候選池選出的 30 個補充設計。

因此，最精確的能力描述是「agentic orchestration」：Claude 像研究負責人一樣，在既有的專業模型與計算工具間安排工作。它的價值可能來自搜尋廣度、工具選擇、迭代速度與長時程記憶，而不是取代蛋白質物理本身。這和 AI 能否逐步接管更長研究鏈是同一類能力問題：評估單位從「答對一題」變成「能否管理一個可稽核流程」。

24–48 小時也只代表計算 campaign 的 wall time：multi-target session 各跑 48 小時，single-target session 各跑 24 小時。後續合成、表達與實驗量測不包含在這個時間裡，所以不能寫成「Claude 在兩天內完成設計到 wet-lab 驗證」。

---

Wet-lab 證據很真，但「獨立驗證」有明確邊界

實體量測由兩家付費外部合約研究機構完成：Adaptyv Bio 與 Twist Bioscience。兩家使用不同的 assay format，彼此看不到對方資料，也不知道序列來自哪個模型、campaign 或排名。這種盲化能降低部分判讀偏差，是比公司只展示電腦預測更強的證據。

但兩家並沒有各自完整測完全部 1,320 個設計。Adaptyv 收到 1,320 個、回傳 1,296 個結果；Twist 收到 1,260 個；只有 1,235 個設計同時取得兩邊量測。最終 354 也不是兩家實驗室直接共同發布的數字：Anthropic 先以 Adaptyv 判定的 336 個為起點，依整合規則排除 1 個、再加入 19 個，得到 354。

所以這項成果可以說是「Anthropic 整合兩家外部 CRO 的實體量測後，判定 354 個 binder」，不能升格成「兩個無利益關係的研究團隊獨立重現全部結果」。報告作者列為 Claude Science 與 Anthropic 員工 Amir Shanehsazzadeh；競爭利益欄也明載兩家 CRO 是受款執行量測。付費關係不會讓數據自動失效，但它決定了我們應把證據稱作委託外測，而不是社群獨立複驗。

好的一面是，Anthropic 已把 prompts、設計模型與實驗資料放到公開 Hugging Face dataset。下一層證據因而有清楚路徑：外部研究者可以重做統計、挑選序列再量測，或用不同判定規則檢查 354 是否穩健。

---

35.1% 很高，但不是「贏過人類」的對照實驗

Anthropic 主文稱，依 ProteinBase 現有 campaign 資料估算，常見整體命中率約為 10–15%；這次最高設定達 35.1%。這是有用的歷史參考，不是公認、同條件的「人類平均」。不同研究會改變 target 難度、交付數量、候選篩選、實驗格式與 binder 定義，橫向比較很容易把制度差異誤認成能力差異。

“We did not run a matched campaign by human experts.”

中文：「我們沒有讓人類專家在匹配條件下跑一場對照 campaign。」

— Anthropic technical report

報告也明確表示，不主張 Claude 比使用相同工具與預算的人類專家更好。較合理的結論是：AI agent 已能自主運用這套專業工具，交出具有競爭力、且能在實驗室出現大量 binding hit 的設計。這很重要，但它回答的是「能不能執行」，不是「誰在公平賽制下更強」。

外部歷史也提醒命中率高度 target-dependent。Google DeepMind 在 2024 年的 AlphaProteo 官方結果中，有些 target 的實驗成功率很高，TNFα 卻沒有成功 binder。Anthropic 這次也在 MBP 得到零命中，在少數 target 只得到極少命中；沒有一個單一百分比可以代表「蛋白質設計已被解決」。而且六個拿來和既有競賽回顧比較的 target 中，有四個競賽結果已放在 Claude 的閱讀材料內，因此這不是盲測，只能當歷史比較。

---

最重要的限制：量到 binding，沒有量到 structure 或 function

“The chief limitation of this study is that its evidence is binding, not structure or function.”

中文：「這項研究最主要的限制，是證據停在結合，而不是結構或功能。」

— Anthropic technical report

這句話應該和 27% 一起被記住。研究沒有測試任何設計的生物活性，也沒有用實驗解析蛋白質結構；報告中展示的 pose 都是預測。部分 target 是多聚體，親和力還可能受到 avidity 影響。換句話說，wet-lab 已確認某些分子在指定條件下發出結合訊號，卻還沒有回答它是否用正確姿勢結合、能否改變目標功能。Twist 在五個 plate 納入單一 unrelated-protein control，這只能排除有限情境，仍不足以建立廣泛專一性。

這也是為什麼「wet-lab validated」不能直接翻成「藥效已驗證」。依 FDA 的藥物開發流程，探索、臨床前安全、人類臨床試驗與製造品質是不同階段、不同問題。這是早期藥物探索中相當有意義的結合命中，但安全性、人體療效、劑量、廣泛專一性、免疫風險、穩定製造與最終臨床成功，都仍是尚未回答的獨立問題。

更技術性的限制也會影響外推：多數 target 已有大量研究；每個模型／格式／target 組合基本上只跑一次；序列變體彼此並非完全獨立；run、模型與格式互相混雜。因此，1,320 是設計數，不是 1,320 個彼此獨立的科學重複。下一篇論文若只換一批容易 target 再報一個漂亮平均值，資訊增量會很有限。

---

同篇原文還有第二個案例：分析化學自動化

Anthropic 的文章不只談蛋白質。第二個案例把一家合約實驗室的原始 NMR 與 LC-MS 檔交給一般可用的 Claude Opus 5，再各給一句短 prompt。依官方自述，Claude 平行工作後在 23 與 19 分鐘交出處理結果；能匹配的 NMR 峰積分與實驗室接近。LC-MS 部分則報出 96.4% 純度，實驗室報告是 96.33%。

不過，分析化學技術說明揭示兩個純度數字不是同口徑：Claude 從 0 分鐘起算三個峰、包含 void peak；CRO 從 3.46 分鐘起算七個峰。若依 CRO 的範圍重算，Claude 自己的面積數據會得到 98.8%。因此，96.4% 與 96.33% 的接近不能當成完全一致的重現。

這個案例的意義不同：蛋白質 campaign 測試「創造候選並管理複雜工具鏈」，分析化學案例則測試「讀取既有儀器資料並產生可檢查的工作成果」。兩者共同指向的不是 Claude 已變成完整科學家，而是一般型 agent 開始碰觸過去只能在專業軟體與實驗室流程裡完成的工作。由於目前公開證據仍是 Anthropic 的單一樣本敘述，最該追的下一步是更多化合物、不同儀器格式與盲測錯誤率，而不是把兩個小數點相近當成普遍可靠性。

---

Anthropic 真正想推進的，是端到端研究 agent

原文把兩個案例收斂成一個更大的主張：AI 可以降低生命科學探索所需的時間、成本與專業門檻。Anthropic 把這項工作稱為基礎，並表示正在擴展能力，希望未來讓 Claude 跨越各種藥物型態，運行整條開發流程。這是最值得對帳的未來目標，不是當前已具備的能力。

這目前是研發方向，不是已完成的結果。原文自己也承認 protein minibinder 不是標準藥物 modality，高親和力 binder 只是形成 drug-like molecule 的第一步。此外，Anthropic 同時把 agentic biology 視為 dual-use capability；部分研究生物能力不向一般使用者開放。想理解公司如何界定這類能力與風險，可以對照 Anthropic 風險報告中的證據分級，而不是只看產品能力示範。

---

AlphaLab 判讀：真正的躍進在研究閉環，不在「AI 發明新藥」

1. 證據層級：實驗訊號比模擬分數更硬

相較於只回報結構預測或 in silico 分數的展示，這次把數位設計送進兩種物理 assay，並公開相當完整的原始資料。即使最終 binder call 仍由 Anthropic 整合，外界已能針對曲線、規則與序列逐項攻擊，這使成果比單純 benchmark 更有科學價值。

2. 能力本質：突破是協調專業工具的規模

蛋白質設計模型早已存在，實驗驗證的 AI binder 也不是第一次出現。新訊號是一般型 Claude 能閱讀 protocol、安排多個專業模型、長時間搜尋，並交付一組可送交合成與 binding assay 的候選；這不代表已能規模製造，Adaptyv 也有 61 個設計未成功表達。若這種能力可重複，研究團隊的瓶頸可能從「會不會操作每套工具」移到「怎麼定義目標、設計 assay、審查 agent 與承擔結果」。

3. 比較結論：高命中率值得追，但沒有公平的人機勝負

26.8% 的整體 binding-hit rate 與 35.1% 的最佳設定都很有吸引力；然而 target、算力與判定口徑會大幅改變結果。沒有 matched human campaign，就不能把它包裝成「兩倍人類平均」。未來最有說服力的設計，是預先登記同一批 target、同一工具、同一算力與同一實驗判定，讓人類團隊、agent 與混合團隊一起跑。

4. 自主程度：模型主導運算，不等於研究沒有人

人類選 target、撰寫長 protocol、準備資料與工具、設定預算、挑選部分補充設計、委託 CRO，最後對論文負責；Claude models 在通訊作者指導與查核下執行計算 campaign、整合判定、統計、製圖與草稿，作者核對資料並承擔報告責任。把功勞全給任一方都失真。更準確的描述是：人類搭建研究制度，Claude 在制度內大幅自主執行。

5. 藥物距離：篩選入口變寬，不代表後段風險消失

若這套流程能在重複研究中降低完整成本，便可能讓更多 target 與設計進入後續測試；本研究尚未提供端到端成本比較。藥物開發也不是一道只要把 binding 拉高就會自動通關的漏斗。功能、選擇性、毒性、免疫原性、藥物動力學、製造與臨床試驗各自都能讓候選失敗；前端產量增加，甚至會把驗證壓力推向後端。

我同意什麼、我存疑什麼

• 我同意：這是一個實質的 agentic-science 訊號。Claude 不只寫研究建議，而是管理計算工具鏈並產生了能在外部實驗室測到結合的分子。
• 我同意：公開設計與實驗資料，讓第三方有機會重新分析，而不是只能相信公司的精選截圖。
• 我存疑：目前證據不足以支持 Claude 優於同條件的人類專家，也不足以把 26.8% 外推到陌生 target 或下一次 run。
• 我存疑：從 binding hit 跳到「加速新藥」仍缺少功能、結構、安全、製造與臨床資料；那不是一句 caveat，而是開發價值的主體。

---

接下來看四個訊號，別只追下一個命中率頭條

1. 第三方重分析與再量測：是否有人用公開 dataset 重做 integrated call，並挑一批設計在未受款的實驗室複驗。
2. 預先登記的重複 campaign：相同模型、工具、算力與 target 能否多跑幾次，顯示平均值與變異，而不是只看一輪結果。
3. 從 binding 走向 function：是否出現實驗結構、細胞功能、選擇性與體內資料，證明設計不只是黏上去。
4. 完整時間與成本：除了 24–48 小時計算時間，也公開資料準備、人類審查、CRO 合成量測與失敗重跑，才能判斷研究週期是否真的縮短。

我的結論是：這份 Claude 蛋白質設計報告跨過「agent 只在螢幕裡自我打分」這道門；在既定 protocol、工具、算力與這批 target 下，Claude 能把候選送到物理世界接受檢驗，但能否穩定重複仍待驗證。它也還沒有跨過「功能有效、可製造、安全且能治療人」那些更難的門。這不是把成果降格，而是把真正值得追蹤的進度條放回正確位置。