Ранние этапы разработки лекарств долгое время упирались в трудоемкое препятствие: биоинформатикам приходилось вручную настраивать, отлаживать и связывать между собой разрозненные вычислительные инструменты для генерации потенциальных терапевтических молекул. Дизайн белков de novo — создание связывающих белков с заданными свойствами с нуля на основе биофизических принципов, а не поиск в природных библиотеках — регулярно требовал недель ручного труда. Anthropic бросила вызов этой парадигме, применив свои передовые модели не как прямые физико-химические калькуляторы, а в роли автономных оркестраторов пайплайнов, управляющих полным циклом разработки с минимальным участием человека.
Оркестрация биоинформатических инструментов с открытым кодом
В техническом исследовании, охватившем две экспериментальные кампании, Anthropic оценила свои перспективные архитектуры в задаче проектирования мини-байндеров — компактных белков, созданных для высокоспецифичного связывания с терапевтическими мишенями. Claude не рассчитывал молекулярную динамику напрямую. Вместо этого модель выступала в роли диспетчера рабочих процессов: разворачивала окружение, связывала консольные утилиты и контролировала лимиты вычислительных ресурсов для пакетов структурной биологии с открытым исходным кодом.
Пайплайн генерировал белковые каркасы с помощью таких инструментов, как RFdiffusion, PXDesign и BoltzGen, в то время как SolubleMPNN подбирала совместимые аминокислотные последовательности. Фильтрация кандидатов и проверка конформационной стабильности проводились на базе ESMFold и Protenix. Разработчики намеренно отказались от проприетарных весов AlphaFold-3 и пакетов Rosetta, чтобы строго соблюдать лицензионные требования.
В системном промпте не указывалось, какую именно область на поверхности белка — так называемый эпитоп — необходимо атаковать для каждой мишени.
В рамках системного промпта объемом 16 000 слов примерно треть инструкций содержала биофизические эвристики, тогда как остальная часть регламентировала распределение задач между субагентами, планирование запусков, парсинг результатов и жесткий бюджет на вычисления в размере $50 000.
Оценка доли успешных кандидатов и аффинности связывания
Из 16 протестированных терапевтических мишеней 15 успешно прошли лабораторные тесты в мокрой лаборатории, при этом Claude сгенерировал подтвержденные связывающие белки для 14 из них. Из 1320 синтезированных молекул-кандидатов 354 продемонстрировали связывание с мишенью, что дает совокупную долю попадания (hit rate) в 26,8%. При отборе лучшего кандидата, предложенного Claude для каждой мишени, этот показатель вырос до 49%, существенно опередив исторический базовый уровень в 10–15%, зафиксированный в публичных репозиториях вроде proteinbase.com.
Для руководителей фармацевтических компаний и основателей биотех-стартапов главный стратегический вывод лежит в операционной, а не исключительно биологической плоскости. Стандартные базовые модели способны системно устранить затраты на написание связующего кода и ручной подбор параметров, которые тормозили команды вычислительной биологии. Перенаправление специалистов с рутинного скриптинга на валидацию результатов и генерацию гипотез резко сокращает циклы R&D. Впрочем, топ-менеджерам пока не стоит спешить с перераспределением бюджетов: отчет Anthropic основан на внутренних тестах и еще ожидает независимого научного рецензирования.