AI 制药的故事，终于从计算机里的分子结构，走到了实验室的试管里。
Anthropic 刚刚公布了一项生物学研究：Claude 在 64 小时内生成了 318484 种蛋白质设计，试图找到能够结合蝎毒神经毒素的候选分子。研究团队从这 31 万多个设计中筛选出 211 种候选蛋白，交由实验室测试，最终有 17 种达到预设的结合标准。
17 个分子，不是模拟结果，是真实在湿实验室里与蝎毒神经毒素发生了结合。
31.8 万个设计，17 个通过筛选
为什么偏偏是蝎毒？
全球每年发生超过 120 万起蝎子蜇伤事件，造成超过 3250 人死亡，其中大多数是医疗资源匮乏地区的儿童。蝎毒中的部分神经毒素会与神经细胞膜上的钠离子通道结合，干扰神经信号传递，严重时可引发心力衰竭、肺水肿甚至死亡。
传统抗毒血清的生产方式原始而昂贵：从数千只蝎子身上取毒，给马注射，再从马血中纯化抗体。这个过程耗时数月，成本高，且通常只对少数几种神经毒素有效。蝎毒中毒因此被《全球健康》期刊描述为一种“被忽视的热带病”——患者多、投入少、药企不愿做。
Anthropic 与投资研究机构 Citrini Research 合作，希望用 AI 从头设计能够结合蝎毒神经毒素的小型蛋白，即 minibinder（微型结合蛋白）。思路并不复杂：如果能设计出足够精准的蛋白，抢先结合毒素与钠离子通道相互作用的部位，就有可能阻止毒素发挥作用。
实验选取了来自墨西哥、巴西、北非和中东地区的 5 种蝎毒神经毒素：Cn2、Ts1、AaH I、AaH II 和 LqhIII。
Claude 生成了 318484 个候选蛋白设计，最终挑选出 180 个。研究团队随后在 Claude 的协助下额外补充 31 个，共计 211 个候选蛋白，交由 Adaptyv Bio 和 Twist Bioscience 两家合同研发组织（CRO）进行验证。
最终，17 个设计符合研究团队的蛋白结合标准。具体来看，7 个能够结合 Cn2，4 个结合 AaH I，4 个结合 AaH II，2 个结合 LqhIII，针对 Ts1 的设计则全部未能通过筛选。
研究中最值得关注的是两个针对 Cn2 毒素的候选蛋白，Cn2-B1 和 Cn2-B2。两者在实验中均表现出较强的结合能力，解离常数 KD 达到个位数纳摩尔级别——KD 越低，意味着分子与目标蛋白结合得越紧密。
研究团队还做了竞争结合实验。他们发现，这两个蛋白可能与一种名为 LR 的已知中和抗体结合在相同或相近的位置，而 LR 此前已被证明能在小鼠实验中中和 Cn2 毒素。这给后续研究留出了一个清晰的入口。
但 Anthropic 把话说得很克制。官方博客里写得明白：“我们尚未确认这些结合蛋白能否在细胞环境中中和蝎毒，因此我们不声称已经生产出抗毒血清。”实验验证的只是结合能力，研究人员既没有做细胞层面的毒素中和测试，也没有在动物体内验证保护效果。
还有一个结果值得玩味。研究团队原本希望找到能够结合多种蝎毒的通用蛋白，以减少未来抗毒制剂需要组合使用的分子数量。但最终通过筛选的 17 个蛋白，每个都只被证实能够结合一种毒素，没有任何设计满足同时结合多种毒素的标准。从单一毒素设计来看，60 个专门针对单一毒素的候选设计中，有 11 个通过筛选，成功率约 18%。Anthropic 表示，这一水平与常见蛋白设计研究的表现基本一致。
结合本身，已经不再是瓶颈。
64 小时背后，Claude 究竟完成了多少工作
传统蛋白设计需要研究人员手动操作多种工具，完成结构分析、候选分子生成、结合预测与筛选。Anthropic 这次尝试的，是让 Claude 自己组织这些环节。
研究团队只指定了目标毒素、可用工具和筛选规则，随后由 Claude 自行检索蛋白结构、选择设计工具、制定筛选标准，并不断调整设计方案。
整个过程中，Claude 调用了 12 种蛋白设计工具，生成 318484 个候选设计，还对超过 55 万组候选蛋白与毒素的组合进行了结构预测——共折叠并筛选了 553052 个设计-毒素对。
在收到初始提示词后，Claude 连续自主运行了 24 小时。研究人员随后追加 4 次提示，引导其进一步优化设计。整个计算设计阶段持续 64 小时，最终由 Claude 筛选出 180 个候选蛋白。甚至连向实验室发送蛋白序列的工作，也由 Claude 按研究人员要求完成。
这意味着 Claude 已经开始承担科研流程中那些涉及规划、分析和工具协调的环节，并能根据中间结果持续调整方案。
当然，人类并没有离场。研究人员负责设定目标、追加提示和补充设计，后续的蛋白合成与验证仍由专业实验室完成。另外需要说明的是，64 小时只包括计算设计阶段，期间消耗了约 1 万 GPU 小时。
这也不是 Claude 第一次做蛋白设计。今年 8 月，Anthropic 曾公布一项研究：Claude 面向 15 个蛋白质靶点开展设计，其中 14 个成功获得实验验证的结合蛋白。那场实验共生成 1440 个设计，1320 个进入分析，整体命中率为 27%，在难度较高的靶点上，Claude 的命中率比传统竞赛数据高出三倍以上。
相比之下，这次蝎毒实验的意义不在于命中率，而在于 Claude 在一个具体生物医药问题中协调完整科研流程的能力。
从 Anthropic 到 OpenAI，AI 正在覆盖药物研发的全链条
如果把 Anthropic 的工作理解为“AI 设计生物分子”，那么另外两家公司的动作，正在把故事推向离患者更近的地方。
就在同一时期，生物 AI 公司 Radical Numerics 发布了基因组大模型 Omnii-1，并宣布其 AI 设计的噬菌体首次获准用于一名耐药菌感染患者的同情用药。相关噬菌体已通过实验室杀菌测试，并获得用于患者治疗的授权。
噬菌体是一类能够感染细菌的病毒，在耐药菌感染等常规治疗选择有限的场景中，它们可以被用于治疗研究。与“设计能结合毒素的蛋白质”相比，噬菌体案例更进一步——它触及了 AI 设计的生物制剂如何真正进入医疗流程。
几乎同时，OpenAI 宣布收购生物医药 AI 公司 Orchestra Bio，计划将其团队和技术整合进旗下生命科学平台 Rosalind。OpenAI 今年 4 月已推出面向生命科学研究的 GPT-Rosalind，以及连接科学工具和数据的 Rosalind Workbench，帮助研究人员分析结果、规划实验。Orchestra Bio 做的事更偏“项目管理”：协调跨部门研发工作，追踪实验进度，识别研发任务之间的依赖关系。一次生产批次失败可能影响后续临床试验的启动时间，Orchestra 的 Agent 可以追踪受影响的任务、收集信息、比较应对方案，供项目负责人决策。
对 OpenAI 来说，这是将 AI 从科研问题分析，延伸至整个药物开发流程的一步。
Anthropic 设计抗蝎毒候选蛋白，Radical Numerics 将 AI 设计的生物治疗候选物用于真实患者，OpenAI 尝试协调药物研发流程——三家公司的探索，正在覆盖生物医药研发的不同环节。
结合只是开始
接下来要面对的，是让这些设计和发现走过漫长的验证过程，最终成为安全、有效、真正能够帮助患者的治疗方案。
Anthropic 已公开全部 211 个候选设计及相关实验数据，供其他研究人员继续验证。两位外部专家——西班牙国家癌症研究中心（CNIO）的博士后研究员 Susana Vázquez Torres 和 Timothy P. Jenkins——认为这项工作是“有希望的初步进展”。
针对几乎任何靶点设计结合蛋白，如今看来已不再不切实际。我们能够以惊人的速度获得结合力极强的分子，结合本身已不再是主要瓶颈。真正的挑战，在于解决治疗管线中结合之后的环节——开发出安全、可负担、可及的药物。
在计算机里找到可能有效的分子，只是新药研发的开始。AI 制药的故事，才刚刚翻过第一页。
快报