Anthropic 公布了一项实验结果：Claude（Mythos Preview 和 Opus 4.8）自主完成了整套蛋白质设计流程——只给它 15 个靶标蛋白的名字，它从零设计出能结合靶标的新蛋白质，命中 14 个。最佳设计的结合紧密度，是公开竞赛冠军的十倍。
任务变了：不是预测结构，而是从零设计
AlphaFold 解决的是「看图说话」：给定一段已知序列，预测它折叠成什么形状。输入已知，输出是预测。Claude 这次做的是「命题作文」：输入只有一个靶标蛋白的名字，输出是一个全新的、为结合它而设计的蛋白质。前者是预测，后者是创造。
这为什么重要？结合是大量现代药物的起效基础：一个分子抓住靶标蛋白，才能抑制、激活或递送。传统上，为单个靶标从零设计结合剂，需要蛋白质工程师数月甚至数周的计算、优化和筛选——即使有机器学习模型加速，编排工作仍离不开计算专家。
Claude 的贡献是「编排」，不是发明新工具
Claude 没有发明任何新工具。它用的全是现成的开源软件——RFdiffusion、ProteinMPNN、ESMFold2，任何实验室都能下载。它做的是编排。
Anthropic 把约 1.6 万词的蛋白质工程知识写进提示词：实验各阶段、每阶段可用的工具、筛选标准。提示词刻意不指定从蛋白质哪个面下手、用哪种生成方法、也不预设任何起始序列。Claude 自己选靶点、选表位、装工具、跑模型、筛选优化、排序交付——最终调用了 10 种结构生成方法，拼出 24 种工具组合。人类只做了三件事：批准网络访问、监控基础设施、把排好序的设计送去两家独立实验室（Adaptyv Bio 和 Twist Bioscience）合成验证。没有任何人介入设计决策。
结果：22%-35% 命中率，行业基线只有 10%-15%
两家独立实验室实测后，15 个靶标命中 14 个。按不同配置，Claude 单个设计的成功率在 22%-35% 之间，是行业典型值（10%-15%）的两到三倍。只看每个靶标排第一的设计，命中率达 49%。
两个靶标尤其值得说。RBX1 上，Adaptyv Bio 曾办过公开设计竞赛：全球 245 个提交只有 9 个成功。Claude 在同一个靶标提交 90 个设计，28 个成功，最佳设计结合紧密度是竞赛冠军的约十倍。TNFα 是 Humira（全球最畅销药之一）作用的靶标，多个专家团队此前从头设计结合剂全部失败；Opus 4.8 产出了 12 个有效设计，部分还能同时结合人、猴、鼠的 TNFα。当然也有翻车：在一个叫 MBP 的靶标上，90 个设计全军覆没——流程很快，但不等于万无一失。
分析化学的补充实验：23 分钟 vs 一小时手算
第二个实验从生物切到分析化学。给 Claude Opus 5 一份合同实验室的原始 NMR 和 LC-MS 数据，加一句两句话的指令，它在 19-23 分钟内给出了完整结论——氢原子计数和纯度（96.4%）与实验室人工分析（96.33%）一致。这是挤占研究者大量时间的常规苦活。
为什么这是结构变化，而不是刷了个分数
六年前 AlphaFold 只能预测结构；今天一个通用模型跑完整套设计流程，还能在有争议的公开靶标上击败专家团队。这里有三个结构性后果。
第一，瓶颈从算力转移到验证。设计从数月压缩到 24-48 小时，真正卡住进度的变成了湿实验周转，而不是「想」。第二，管线前端的专业门槛被抹平——编排现在是模型的活，这也是 Anthropic 一边给科学家开放访问计划、一边出于双重用途风险封锁公开版 Claude 生物能力的原因。第三，打法全公开：提示词、数据、1440 个设计全部挂在 Hugging Face 上，任何实验室都能复现，而不是把结果当黑箱。
放到更大的图景看——从用真实命中率说话的虚拟筛选，到AI 生物学家找帕金森靶点，AI 正在把发现和筛选的各个环节逐个接管。
研究人员现在能做什么
结合剂离成药还很远——毒理、临床试验每步都要数年，而且所有结构都是计算预测、未经实验结构验证。但流程今天就能复现，务实的动作有四个：
- 先跑公开的提示词。1.6 万词提示词和完整数据在 Hugging Face 上；用你手上已有湿实验数据的靶标做个试点，自己量化增益。
- 把「编排」当交付物。可沉淀的技能是把专家流程编码成「提示词 + 工具清单」，这套模式能迁移到蛋白质之外的任何实验流程。
- 保持验证独立。结果之所以可信，是因为两家外部实验室测试过。任何排序被信任前，先建立湿实验验证伙伴。
- 盯政策线。Anthropic 的科学家访问计划、以及对生物能力的封堵决定，会决定这件事停留在实验室优势，还是变成通用的科研基础设施。
