ainews
Claude научили проектировать лекарства: 26% попаданий против 10-15% у людей
Anthropic показали, что Claude Mythos Preview и Opus 4.8 могут самостоятельно проектировать белки-лекарства (минибиндеры) с точностью 26.8% против стандартных 10-15% в индустрии. Модели запускали open-source инструменты (RFdiffusion, ProteinMPNN, ESMFold), а проверку делали независимые лаборатории. На одной из целей (RBX1) результат в 10 раз превысил победителя открытого конкурса.
Если результаты честные, это первая рабочая демонстрация того, как LLM-агенты могут заменить экспертов в сложной науке — не генерируя знания, а автоматизируя оркестрацию инструментов. Окно в будущее, где промпт важнее докторской степени.
Anthropic провели два эксперимента, в которых Claude Mythos Preview и Opus 4.8 прошли полный цикл ранней разработки лекарств — от компьютерного дизайна белков-минибиндеров до лабораторной проверки. Модели работали автономно: устанавливали и запускали open-source инструменты (RFdiffusion3, ProteinMPNN, ESMFold2, Protenix v2), генерировали кандидатов, фильтровали и ранжировали результаты.
Из 1320 протестированных дизайнов 354 реально связались с целевыми белками — это 26.8% точности против индустриального стандарта 10-15%. Модель Mythos Preview в режиме одной цели показала 35.1%, но с тройным расходом вычислений.
Самый показательный результат — белок RBX1, где в открытом конкурсе сработали только 9 из 245 дизайнов. Claude выдал 28 рабочих молекул из 90, причём лучшая связывается в 10 раз сильнее победителя конкурса (3.9 нМ против 45 нМ).
Проверку делали независимые контрактные лаборатории Adaptyv Bio и Twist Bioscience — синтезировали молекулы и измеряли связывание без изменений.
Модели работали по промпту на 16 000 слов: треть — научные инструкции, две трети — управление подзадачами, делегирование суб-агентам, контроль бюджета. Люди выбирали цели, писали промпт и интерпретировали данные. Между этапами требовались только короткие нетехнические команды.
Бюджет: $50 000 на мультицелевую кампанию, $10 000 на одну цель через облачный провайдер Modal.
Есть провалы: против гладкого белка MBP — 0 из 90, против синтетического BBF-14 — только 3 слабых попадания. Оценки уверенности моделей не предсказали эти фейлы.
Автор: Марина Соколова · Источник: the-decoder.com
Разработчикам. Готовый рецепт агента для drug discovery: промпт 16К слов (научные инструкции + управление задачами + бюджет), оркестрация open-source инструментов (RFdiffusion, ProteinMPNN, ESMFold), система делегирования суб-агентам, валидация через контрактные лаборатории. Можно взять архитектуру и адаптировать под свою область — принципы универсальны.
Бизнесу. Цикл разработки лекарств сжимается с недель до 48 часов при 2х росте точности. Контрактные лаборатории (Adaptyv Bio, Twist Bioscience) уже встроены в процесс — модель для B2B-сервисов в биотехе. Окно в рынок $50К-$10К за кампанию, если упаковать как платформа для фармы и стартапов.
Инвесторам. Если Claude действительно удваивает hit rate в раннем drug discovery, это сжимает время и риски до клиники. Целевые сегменты: редкие болезни (где мало готовых молекул), биосимиляры, платформы для синтетической биологии. Следить за валидацией результатов независимыми командами — пока всё через контрактников Anthropic.
- B2B-платформа для биотех-стартапов: «автопилот для drug discovery» — загрузи цель, получи 100 кандидатов за 48 часов, $10K за прогон. Интеграция с контрактными лабораториями как API.
- Сервис для фармкомпаний: ускорение ранних стадий разработки лекарств от месяцев до дней. Фокус на редкие болезни и сиротские мишени, где классические подходы не окупаются.
- Инструмент для материаловедения и энзимологии: те же принципы (дизайн белков, фолдинг, валидация) работают в промышленных ферментах, биопластиках, сенсорах.
- Консалтинг для лабораторий: внедрение агентов на базе Claude + обучение биологов работе с промптами и интерпретации результатов. Модель revenue-share с лицензионными доходами от молекул.
- Датасет-бизнес: собирать экспериментальные данные (структуры, измерения связывания, фейлы) и продавать как обучающую выборку для следующих поколений моделей.
- Нет независимой валидации: все проверки через контрактников Anthropic (Adaptyv Bio, Twist Bioscience). Может быть cherry-picking удачных результатов или методические артефакты.
- Провалы на гладких и синтетических белках (MBP, BBF-14) показывают, что модель не универсальна. Оценки уверенности ненадёжны — не предсказали фейлы.
- Hit rate 26.8% звучит круто против 10-15%, но: (1) референсная база proteinbase.com может быть смещена; (2) многие попадания на TNFα идут из 4 похожих скаффолдов — меньше независимости, чем кажется.
- Промпт на 16К слов + оркестрация 7+ инструментов + облачный бюджет $10K-$50K — барьер входа для мелких лабораторий. Не «демократизация», а новый vendor lock-in.
Это технически впечатляющая работа: LLM самостоятельно оркестрирует 7 специализированных программ, управляет бюджетом и выдаёт результат в 2 раза точнее индустриального стандарта. Архитектура агента (промпт 16К слов, делегирование подзадач, контроль ресурсов) универсальна и применима далеко за пределами биологии — это шаблон для любой multi-step задачи с внешними инструментами.
Но есть три больших «но». Первое: все проверки через контрактников Anthropic — нет независимой валидации, а значит, возможен cherry-picking. Второе: провалы на сложных целях (MBP, BBF-14) показывают, что модель не универсальна, а оценки уверенности ненадёжны. Третье: референсная база proteinbase.com может быть смещена, и тогда 26.8% против 10-15% — не такая уж революция. Если данные честные, это окно в будущее, где промпт важнее PhD. Если нет — очередной красивый кейс от вендора.
Инструменты из статьи
Флагманская языковая модель от Anthropic с продвинутыми способностями к...
Доступ из РФ →
Комментарии