編按:本文綜合整理自 Anthropic 官方研究報告、Anthropic 8 月蛋白質結合子首發研究、技術報告全文、211 個設計的開放資料集、Citrini Research 合作紀錄、Hacker News 討論串(50170021,88 分/61 則留言)、西班牙國家癌症研究中心(CNIO)Susana Vázquez Torres 與丹麥技術大學 Timothy P. Jenkins 兩位外部專家的審稿意見,並加入 Siami 編輯部觀點與分析。
10 月 20 日,Anthropic 釋出 一份研究報告,把 Claude 在蛋白質設計這一關的能力往前推了一大步:這次不是設計「任意一種蛋白質」,而是直接對準蠍子神經毒素——人類醫療體系最被忽略的敵人之一。報告本身很短,只講一件事:
「我們請 Claude 設計能緊密結合蠍子神經毒素的迷你蛋白。Adaptyv Bio 與 Twist Bioscience 兩家合約研究組織實測了 211 個設計,其中 17 個達到我們設定的結合者標準。我們把所有 211 個設計與測試數據全部公開。」
如果只看這句話,可能會把這篇當成 Anthropic 又一輪公關操作。但報告下方的技術細節、外部專家背書與公開資料集,把這件事推到了另一個檔次:這是第一個被寫成論文形式、且實驗室獨立複證的 AI de novo 抗蠍子蛋白質結合子設計專案。Hacker News 上 50170021 的討論 24 小時內衝到 88 分,但留言區毫不留情地點出三個結構性問題:同儕審查仍未完成、藥價未解、產業界對被忽略熱帶疾病動機薄弱。
為什麼是蠍子:被放棄的 120 萬人
先把背景攤開。報告第一段的數字是這樣寫的:
蠍子每年螫傷至少 120 萬人,造成超過 3,250 人死亡,死者多為缺乏醫療資源地區的兒童。新療法造價昂貴,且無法回收開發成本,因此投資稀少——蠍子螫傷被歸類為被忽略的熱帶疾病(neglected tropical disease)。
這件事在科技媒體裡很少著墨,因為它不像大語言模型那樣「性感」。但從工程與商業的角度,它其實是 AI for Science 議題裡最值得做的題目,原因有三:
- 靶點明確:蠍子毒液裡危害人類的主要是會卡住神經細胞鈉離子通道的毒素,這條機制研究得很透。
- 市場失靈:北非、中東、巴西農村的病患付不起天價抗毒血清,因此藥廠缺乏開發動機。
- 設計可驗證:毒素可在實驗室培養、結合子可用 SPR(表面電漿共振)標準化測量,不像某些神經退化疾病缺乏可靠生物標記。
Anthropic 這次鎖定的五種毒素剛好涵蓋三個大陸、四個地理族群:墨西哥的 Centruroides noxius(Cn2)、巴西的 Tityus serrulatus(Ts1)、北非的 Androctonus australis(AaH I 與 AaH II)、中東的 Leiurus quinquestriatus(LqhIII)。其中 Cn2 在墨西哥每年造成數百人死亡、被稱為「世界上最危險的蠍子」之一;Ts1 是巴西公共衛生系統的重點防範對象;AaH 系列則是北非抗毒血清的標準抗原。
現有抗毒血清的痛點很具體:傳統作法是把上千隻蠍子的毒液注射到馬身上取抗體,整個流程需時數月、產量有限、一瓶動輒數百到數千美元、在最需要的鄉村反而難以取得。「從源頭設計」(de novo design)的蛋白質結合子(minibinder)本來就是被認為能繞過這些問題的解方——但這件事以前從來沒有人對蠍子神經毒素做成功過。
Claude 給出的不是「更好的抗體」,而是從無到有、用演算法拼出一個全新蛋白質骨架,再讓實驗室去合成與驗證。
64 小時、12 個工具、318,484 個設計
Anthropic 這次的設計流程,是目前所有公開的 AI 蛋白質設計報告裡透明度最高的一次。整個流程由 Anthropic 內部一個跑在 Claude 架構內的研究模型主導,運作於 Anthropic 自家工作環境 Claude Science,由 Anthropic 與 Citrini Research 的 prompt 工程師以 4 次追問(follow-up prompts)引導方向。
報告把流程寫得相當白話,整理如下:
- 給定 prompt 後的 24 小時內:Claude 全自主運作,從蛋白質資料庫(PDB)與 AlphaFold 資料庫(AFDB)撈出五種毒素的結構、選取五個「熱點」(hotspot)胺基酸位置、決定品質閾值、規劃多毒素設計策略。
- 動用 12 種設計工具:包括 RFdiffusion、ProteinMPNN、AlphaFold 等業界主流蛋白質設計 / 結構預測工具,外加 Anthropic 自家串接。
- 在 64 小時內生成 318,484 個設計,逐一濾掉與毒素或已知蛋白質相似的結構。
- co-fold 與篩選 553,052 對設計-毒素複合物,預測每一對結合姿態與親和力。
- 篩出 180 個候選送往 Twist Bioscience 合成(合成請求的電子郵件署名是 Claude)。
- 人類再加 31 個,總數推進到 211 個。
- 整個流程消耗約 10,000 GPU 小時。
兩個外部專家的審稿意見被收錄進報告本體,這是少見的做法:
Susana Vázquez Torres(西班牙國家癌症研究中心結構生物學博士後研究員):設計出可信的結合子不再是遙不可及,我們現在能以極快的速度拿到高親和度結合子,「結合」本身不再是瓶頸。真正的瓶頸是接下來——把結合子變成安全、平價、觸得到病人的藥。
Timothy P. Jenkins(丹麥技術大學副教授):同時對五種毒素做平行的 de novo 設計,是 AI 驅動療法研發典範轉移的最佳示範,特別是被忽略疾病——這些領域因為商業誘因低落,長期被排除在創新之外。
這份報告對外公開的不只是結論,還有 完整的 211 個設計與實驗數據,含預測結構、信心分數、實驗親和力。任何想複證的實驗室都可以直接拿去合成並重測,這在商業製藥的歷史上相當罕見。
實驗室打了回票:211 進、17 出
數字上看,這次的命中率為 17 / 211 = 8%。但這個分母要拆開看——裡頭的設計有四種:
- 60 個瞄準單一毒素(每種 12 個)
- 30 個瞄準兩個 β 家族毒素(Ts1 與 Cn2)
- 30 個瞄準三個 α 家族毒素(AaH II、AaH I、LqhIII)
- 91 個瞄準五種毒素(多毒素結合子)
單一毒素命中率 11 / 60 = 18%,符合業界典型蛋白質設計專案的水準;多毒素結合子這次全軍覆沒——沒有一個能同時對兩種以上毒素達標。報告坦承這可能是 Claude 的能力瓶頸,但也可能是 prompting、可用工具,甚至是「生物上根本不可行」的綜合結果。
更值得注意的是兩個最強結合子 Cn2-B1、Cn2-B2 的競爭實驗。Cn2 來自墨西哥,是這次研究的主要動機之一。LR 是一個已知能在小鼠體內中和 Cn2 的單株抗體,Siami 引用 Anthropic 在 8 月份發表的蛋白質結合子研究 中的既有框架。
我們的競爭實驗顯示,Cn2-B1 與 Cn2-B2 都結合在(或非常接近)LR 的 epitope 上,而 LR 的結合位正是 Cn2 與神經鈉離子通道結合、進而引發神經誤觸發的接點。
雖然我們尚未在細胞或活體動物中測試 Cn2-B1 與 Cn2-B2,但既然它們與 LR 競爭同一結合位,它們很可能也具備中和 Cn2 的能力。
這段話含意深遠:Anthropic 不是只做到了「結合」,而是做到了「在對的地方結合」——這是設計抗毒血清中最難的一關。在多毒素結合子失敗的前提下,LR epitope 的競爭結果反而成為這份報告最具體的工程貢獻。
兩家 CRO 用互補方法驗證同一批設計:Adaptyv Bio 用細胞外系統(cell-free system)表達,Twist Bioscience 用哺乳動物細胞(人類腎臟細胞)表達為 Fc 融合蛋白。結合強度用 SPR 測得,標準統一為「兩家實驗室各重複皆為 KD ≤ 1 µM、且對非目標蛋白 CLEC12A 無訊號」才算通過。LqhIII 因技術因素僅由 Adaptyv Bio 評估。
從結合子到藥:還有三道關要過
報告結尾給出的「下一步」其實是最值得 Siami 讀者停下來想的一段。Anthropic 明確點出這份研究只證明結合,不證明藥效:
- 未驗證 in vitro 中和:未在培養細胞上測毒素是否被中和。
- 未驗證 in vivo 保護:未在小鼠身上測存活率。
- 未驗證真毒:所有測試用的是重組毒素(從基因重組培養),不是從活蠍取出的真毒液。
- 未驗證製程穩定性:未做藥物穩定性、冷鏈、長儲放的測試。
- 未驗證可負擔性與可及性:這是商業與政策問題,不是工程問題。
如果要把 Cn2-B1 推進到候選藥物,依序要做的事是:
在真毒液中重測結合 → 用膜片鉗(patch-clamp)記錄鈉離子通道電流變化 → 在小鼠上做保護力測試 → 安全性、穩定性、儲運測試 → 價格談判與配送協議。
換言之,從「分子可行」到「病人用得到」,中間還隔著臨床前、臨床三期、量產、定價、分銷五層關卡。Anthropic 自己就把這段寫成「從頭到尾,端到端都需要臨床醫師、資助者、政策制定者的合作」。這個措辭不是客套——它是對「AI 設計蛋白就等於有藥可用」這種常見誤讀的最直接消毒。
這也是為什麼同一份報告要被理解為兩件事:一件是「Claude 在 de novo 蛋白質設計上的工程突破」,一件是「把工程突破變成平價救命藥,還遠遠不是 Anthropic 寫 prompt 能解決的」。
為什麼這件事重要:AI for Science 的商業模型正在重寫
把這份報告放在 2026 年的 AI for Science 板圖上看,它有三層意義:
第一,這是 AI for Science 從「模型會回答問題」走向「模型能關掉實驗室電腦」的一個範例。整個 64 小時的設計流程由 Claude 自主完成,從挑結構、定熱點、選工具、寫合成信,到把人類挑出的 31 個序列整合進最終名單。其中 Twist Bioscience 收到的合成請求郵件署名是 Claude,這件事 Anthropic 沒有刻意渲染,但留言區卻把它挑出來講:「自動化到連電子郵件都由模型代發,這在一年前是實驗室 PI(principal investigator)親自做的事。」
第二,Anthropic 正在用「公開資料集 + 公開方法」打差異化。同一天(10 月 20 日)DeepSeek 開源了 DeepInfer 推理框架、Mistral 推出閉源 Voxtral 3 語音三件套——三家前沿 AI 實驗室在同一週給出了三種截然不同的「AI 該怎麼做生意」答案。Anthropic 的答案是:模型能力走閉源 API,但重要的科學進展走開放資料。Hacker News 上 MattGrommes 留言批評這「只是公關稿」的聲音被頂起來,但 Anthropic 連同外部專家審稿意見、技術報告、211 個設計與對應的 SPR 數據都放在 Hugging Face 公開——這比多數商業製藥公司在學術期刊上發表的水準更透明。
第三,被忽略的熱帶病是 AI for Science 最該切入、卻最少人切入的題目。原因是錢:報告點出蠍子抗毒血清的開發對藥廠而言無法回收成本,因此製藥資本不會自然流進來。但 AI 設計大幅壓低了發現階段的成本——從過去的「數月到數年」變成「64 小時 + 兩週實驗」。當設計成本被壓到幾千倍以下時,整個專案的不可逆投入只剩臨床與製程,這時公共資金、國際組織(如世界衛生組織、DNDi)、慈善資本(蓋茲基金會、Wellcome Trust)就有更高機會接手。Anthropic 團隊在報告結尾把這層訊息寫得很直白:
「我們希望這份展示 Claude 能力的成果,連同我們釋出的數據,能加速抗毒血清設計的後續研究。」
數據解讀與質疑:四個必須保留的問號
這份研究在工程上很紮實,但在「從蛋白質到藥」的關卡上,它只完成了最開始的一步。讀者在解讀時需要把以下四個問題分開來看。
第一,同儕審查還沒完成。 MattGrommes 在 HN 上留言:「聽起來很棒,但我希望這些結果能發表在同儕審查的期刊上,而不是只看公司自己的新聞稿。」另一位 giancarlostoro 接話:「他們(Anthropic)顯然是想追上 OpenAI——OpenAI 已經公佈過好幾次類似的研究,但我同意,能不能請他們先把同儕審查設為強制門檻?」這是任何「公司自發研究」都會被問到的問題,而 Anthropic 這次確實沒有走 Nature、Science、Cell 等期刊的同儕審查流程——它走的是自己技術報告 + 兩位外部專家書面審稿 + 公開資料集讓第三方複證。這條路徑在 AI 生態已經被 OpenAI、Google DeepMind、xAI 等多家使用過爭議不少,但在生命科學社群裡仍未取得像期刊同儕審查那樣的「黃金標準」地位。
第二,多毒素結合子全軍覆沒。 60 個單毒素設計命中率 18%,但 151 個多毒素設計命中率 0%。報告列了三個可能原因——Claude 的能力上限、prompt 工程不夠好、甚至生物上根本不可行。但無論哪一個,「一種藥能治全世界所有蠍子螫傷」這個最划算的商業目標目前還沒被 AI 解決。在這份報告的邏輯裡,「一種分子對一種毒素」要走到臨床三期、再鋪到全球,仍需要至少五到十年與數億美元。
第三,沒有 in vivo(活體)驗證。 Cn2-B1、Cn2-B2 雖然在 SPR 上與 LR 抗體競爭同一 epitope,但 epitope 競爭只是「位置對了」,離「在活小鼠身上能防止神經毒性」之間,還隔著藥物動力學、免疫原性、劑量反應三大關卡。Anthropic 在報告裡講得很清楚:「We have not confirmed whether these binders neutralize scorpion venom in a cellular environment, so we do not claim to have produced an antivenom.」這段話要逐字讀。
第四,藥價問題 AI 解不了。 LoganDark 在 HN 上留言:「可惜現在『能買得到』不等於『便宜』。好的家長——其實大多數家長——會願意負債十年換孩子不用承受那種痛苦。藥廠把這當成商業機會。」另一則留言把情境拉到更廣:蠍子是被忽略疾病的一員,蛇毒、狂犬病、其他寄生蟲都面臨同樣的「病人付不起、藥廠無利潤」結構性問題。AI 設計能解決發現階段的成本,但解決不了臨床試驗、量產與定價的成本。
數字收在這裡:318,484 個由 Claude 生成的設計、180 個被 Claude 自己選出的候選、31 個人類再補的設計、211 個送進實驗室的設計、17 個通過 SPR 雙盲驗證的結合者、2 個與已知中和抗體競爭同一 epitope 的強結合子、0 個多毒素結合子、0 個被驗證過的活體中和效果。
一句話總結這場實驗:Claude 在 64 小時內做完的事,人類的蛋白質工程師過去要花六個月;但從「證明分子能結合」到「證明藥能治人」,Anthropic 自己也承認這條路還沒走完。
網友熱門留言 (5)