A Anthropic deixou o Claude projetar proteínas por conta própria, atingindo 14 de 15 alvos—um resultado que surpreendeu pesquisadores experientes.
Em 18 de agosto, a Anthropic publicou os resultados de um experimento: o Claude (Mythos Preview e Opus 4.8) completou autonomamente um fluxo de trabalho completo de design de proteínas.
Dados 15 alvos de proteínas, foi solicitado que projetasse novas proteínas que pudessem se ligar a eles, e ele teve sucesso em 14 alvos.
De 1.320 designs, 354 foram validados por dois laboratórios independentes, resultando em uma taxa de sucesso geral de 26,8%.
A média da indústria nesse campo é de 10%–15%.
Os ligantes de proteínas são a base de muitos medicamentos: primeiro, projeta-se uma molécula que possa capturar a proteína alvo, e só então ela pode potencialmente se tornar um medicamento.
Esse processo de design normalmente requer semanas de computação, otimização e triagem por engenheiros de proteínas.
Do AlphaFold ao Claude: prever proteínas e projetar proteínas são duas coisas diferentes
O que o AlphaFold fez em 2020: dada uma sequência de proteína, prever qual forma ela se dobra.
A entrada é conhecida, a saída é uma previsão.
É um modelo de proteína especialmente treinado que faz uma coisa com perfeição.
O que o Claude fez desta vez é diferente.
Ele recebeu apenas o nome da proteína alvo, e a tarefa era projetar uma proteína totalmente nova do zero para se ligar a ela.
A entrada é um nome, a saída é uma nova proteína.
Um é descrever uma imagem, o outro é escrever uma redação sobre um tópico dado.
As ferramentas que o Claude usou eram todas prontas—RFdiffusion, ProteinMPNN, ESMFold2—esses modelos de código aberto para design de proteínas e previsão de estrutura existem há muito tempo, e qualquer laboratório pode baixá-los.
O Claude não inventou novas ferramentas; ele fez orquestração: a equipe de pesquisa escreveu um prompt de cerca de 16.000 palavras, codificando o conhecimento prático dos engenheiros de proteínas, incluindo as etapas do experimento, as ferramentas disponíveis em cada etapa e os critérios de triagem.
Esse prompt não especifica qual face da proteína atacar, não especifica qual método de geração usar e não pressupõe nenhuma sequência.
Foi entregue ao Claude, junto com uma conta de servidor em nuvem, e deixou-o rodar.
No modo multi-alvo, uma sessão processou 14 alvos em 48 horas; no modo de alvo único, cada alvo levou 24 horas.
Os operadores humanos fizeram apenas três coisas: aprovar o acesso à rede, monitorar a infraestrutura e enviar os designs classificados do Claude para dois laboratórios independentes (Adaptyv Bio e Twist Bioscience) para síntese e teste—nenhum humano interveio em nenhuma decisão de design.
O próprio Claude selecionou alvos, escolheu epítopos, instalou ferramentas, executou modelos, triou e otimizou, classificou e entregou, invocando no final 10 métodos de geração de estrutura e combinando 24 combinações de ferramentas.
Resultados
A taxa média de sucesso atual no campo de design de proteínas é de 10%–15%.
O Claude alcançou 22%–35% em diferentes modos, duas a três vezes a média da indústria.
https://x.com/AnthropicAI/status/2089842389682954621
Se você olhar apenas para o design de melhor classificação do próprio Claude, a taxa de acerto é de 49%: para cada dois alvos, o design de melhor classificação é diretamente utilizável.
Os resultados para vários alvos merecem menção especial.
A Adaptyv Bio realizou anteriormente uma competição pública de design para uma proteína chamada RBX1, onde participantes globais enviaram 245 designs, e apenas 9 tiveram sucesso.
Claude enviou 90 designs para o mesmo alvo, 28 tiveram sucesso, e o melhor design ligou-se ao alvo dez vezes mais firmemente do que o campeão da competição.
TNFα é um alvo mais difícil—um dos medicamentos mais vendidos do mundo, Humira, funciona ligando-se a essa proteína, mas várias equipes de especialistas tentaram anteriormente o design de ligantes de novo e todas falharam.
Opus 4.8 produziu 12 designs eficazes, alguns dos quais puderam ligar-se de forma cruzada a TNFα humano, de macaco e de camundongo simultaneamente.
Também houve falhas: em uma proteína chamada MBP, todos os 90 designs falharam.
Sinais semelhantes apareceram na química analítica.
Dado os dados brutos de um instrumento de RMN do Claude Opus 5 e uma instrução de uma frase, ele produziu resultados em 23 minutos, consistentes com as conclusões da análise manual de um químico de laboratório que leva de meia hora a uma hora.
As duas direções experimentais diferem, mas o sinal é consistente: Claude, um modelo de propósito geral, produziu autonomamente resultados de nível especialista validados por laboratórios em 24 a 48 horas (48 horas no modo multi-alvo, 24 horas no modo de alvo único) em tarefas de pesquisa que levariam semanas para especialistas.
Em apenas seis anos, mudanças que abalam a terra
Os ligantes ainda estão longe de serem medicamentos, com toxicologia, ensaios clínicos e outras etapas no meio, cada uma levando anos.
Todas as estruturas são previsões computacionais, não validadas experimentalmente.
Claude usa todas as ferramentas de código aberto. A Anthropic disponibilizou os prompts, dados e todos os 1.440 modelos de design no HuggingFace, e qualquer laboratório pode reproduzi-los.
https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main
Esse tipo de capacidade de pesquisa autônoma também carrega riscos de uso duplo. A Anthropic bloqueou capacidades biológicas, como design de proteínas, na versão pública do Claude.
Do AlphaFold prevendo estruturas de proteínas ao Claude projetando proteínas autonomamente, apenas seis anos se passaram.
Referências:
https://www.anthropic.com/research/Claude-accelerates-protein-design
https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf
Este artigo é da conta pública do WeChat "新智元", autor: ASI启示录
