Дизайн связывающих белков de novo долгое время оставался мучительным препятствием для структурных биологов, требуя недель ручной настройки вычислительных пайплайнов и скрининга для каждой мишени. Хотя специализированные алгоритмы машинного обучения ускорили прогнозирование структур, физическая проверка в мокрой лаборатории по-прежнему остается жестким и дорогостоящим фильтром. Экспериментальные данные Anthropic показывают, что передовые универсальные модели рассуждения способны выполнять задачи ранней разработки лекарств и аналитической химии напрямую по необработанным данным.
Тестирование генерации мини-связывателей
В рамках экспериментальной кампании на 15 биологических мишенях Anthropic применила свои передовые модели для создания небольших связывающих белков с нуля. Лабораторная валидация подтвердила успешное связывание для 14 из 15 протестированных мишеней.
Claude спроектировал связывающие белки для 15 мишеней, добившись успеха в 14 случаях с долей успешных попаданий от 22% до 35%.
Такие показатели результативности представляют собой качественный скачок по сравнению со стандартными методами вычислительного дизайна белков, где доля успеха обычно держится на уровне 10–15%. Для ряда мишеней лучшие сгенерированные мини-связыватели продемонстрировали аффинность связывания в несколько раз выше предыдущих научных бенчмарков, переводя раннюю разработку лекарств от узких специализированных биоинформатических стеков к универсальным моделям рассуждения.
Аналитическая химия по первичным спектральным данным
Помимо макромолекулярного дизайна, Anthropic проверила способность универсальных моделей справляться с рутинным лабораторным анализом. Исследователи поручили системе обработать необработанные спектры ядерного магнитного резонанса (ЯМР) и жидкостной хромато-масс-спектрометрии (ЖХ-МС), полученные из контрактной лаборатории, используя короткий промпт всего из двух предложений.
Модель предоставила готовые отчеты за 23 и 19 минут, рассчитав чистоту соединения на уровне 96,4% против 96,33% у контрактной лаборатории и точно определив число атомов водорода. Это подтверждает, что универсальные архитектуры способны автоматизировать первичную интерпретацию данных без специализированного хемоинформатического ПО, сокращая циклы лабораторного скрининга с месяцев до дней и радикально снижая затраты на проверку кандидатов.
Тем не менее практические ограничения упираются в физическую реальность. Модели рассуждения сокращают вычислительный этап с месяцев до часов, однако физический синтез в лаборатории и подготовка биологических анализов задают неустранимый предел скорости. Автоматический разбор спектров не решает проблему задержек синтеза и биологической непредсказуемости, четко очерчивая границы возможностей языковых моделей в ранней разработке лекарств.