Claude wchodzi do laboratorium. Agent AI od Anthropic samodzielnie zaprojektował białka
Zamiast żmudnych miesięcy spędzonych na ręcznym konfigurowaniu algorytmów, wystarczył dostęp do modeli Mythos Preview i Opus 4.8. Anthropic udowodnił właśnie, że ich systemy potrafią przejąć rolę kierowników projektów biotechnologicznych, osiągając przy tym wyniki, o jakich ludzkie zespoły często mogą tylko pomarzyć.
Dlaczego to ważne teraz
Publikacja Anthropic to sygnał, że bariera wejścia w zaawansowaną inżynierię leków właśnie runęła. Wykorzystanie powszechnie dostępnych narzędzi open-source w połączeniu z agentami AI pozwala mniejszym laboratoriom konkurować z gigantami farmaceutycznymi. Skuteczność na poziomie przekraczającym dwukrotnie standardy rynkowe sugeruje, że nie mówimy o teoretycznej ciekawostce, ale o gotowym narzędziu do pracy z żywą materią.
Od kodu do cząsteczki: Autonomia w służbie nauki
Najistotniejszą nowością nie jest samo generowanie struktur białkowych – do tego służą znane algorytmy jak RFdiffusion. Przełomem jest warstwa orkiestracji. Claude wystąpił w roli wykwalifikowanego agenta, który samodzielnie przeanalizował biologię celów, wybrał miejsca wiązania i skonfigurował oprogramowanie z publicznych repozytoriów. Cały proces odbył się bez ingerencji człowieka w decyzje projektowe.
Eksperyment skupił się na tzw. minibinderach. Modele Mythos Preview i Opus 4.8 zmierzyły się z 16 celami, osiągając w 48-godzinnej sesji łączne wskaźniki sukcesu na poziomie odpowiednio 26,7% oraz 22,6%. Dane udostępnione w serwisie Hugging Face obejmują 1 440 projektów, które zostały zweryfikowane w zewnętrznych laboratoriach mokrych. Jak podaje Adaptyv Bio, spośród 1 320 zaprojektowanych kandydatów aż 354 faktycznie związały się ze swoim celem. To wynik uderzający, biorąc pod uwagę, że typowe kampanie oscylują w granicach 10–15%.
Testy w ogniu walki: Sukcesy i bariery
Szczególną uwagę zwraca przypadek białka RBX1. W otwartym konkursie projektowym zaledwie 9 na 245 zgłoszonych przez ludzi kandydatów zdołało się z nim związać. Claude wygenerował 28 skutecznych binderów na 90 prób. Co więcej, najlepszy projekt AI wiązał się z celem dziesięciokrotnie silniej niż zwycięski projekt z ludzkiego konkursu. Mimo to, Anthropic zauważa, że modele te osiągają wysoki poziom tylko tam, gdzie istnieje historia ewolucyjna białek — jak wskazuje cytat: „Mythos Preview and Opus 4.8 achieve overall hit rates”. Przy strukturach całkowicie sztucznych, jak BBF-14, modele wciąż zawodzą.
Interpretacja danych i przyszłość laboratorium
Drugi etap pokazał, że Claude radzi sobie świetnie z analityką. Model w kilkanaście minut zinterpretował surowe dane z rezonansu jądrowego (NMR). W jednym z przypadków model samodzielnie rozpracował binarny format pliku, bezbłędnie odtwarzając tysiące punktów pomiarowych bez gotowego czytnika. Model potrafił nawet skorygować własne błędy i zaproponować eksperymenty, które ludzie w laboratorium niezależnie przeprowadzili trzy dni później.
Z perspektywy wyników badań widać, że za 10–50 tysięcy dolarów dowolne laboratorium może dziś uruchomić cały stos technologiczny projektowania białek. Choć droga do pełnej samodzielności systemów jest daleka, fundamenty pod cyfrową naukę zostały położone.
