当前位置：主页 > 屯昌 >

饭局的诱惑

Claude成功设计出蛋白质人类距离“攻克大部分疾病” 还有多远？_我的网站

相约星期六

一 |

　阿里云优惠券先领券再下单 RAKsmart服务器凭借高性能硬件架构、弹性云资源池及深度整合的AI运维工具，为数据科学工作流提供了全栈式管理方案，显著提升从开发到部署的效率。 AI工具正在生物医学领域攻城略地，这次大出风头的是Claude。 1、构建高性能硬件基础 RAKsmart服务器为数据科学工作流提供了坚实的硬件支持：异构计算能力：搭载Intel Xeon/AMD EPYC处理器及NVIDIA A100/A40 GPU集群，支持FP16/INT8量化加速，单机AI训练性能提升300%，满足大规模模型训练需求。智能存储方案：采用大容量存储型HE系列服务器，支持12盘位热插拔。 2026年8月18日，Anthropic宣布：他们使用自家的Claude模型，从头设计了一批自然界从未出现过的蛋白质。[1] 他们还用设计出的蛋白质，拼出了公司名字“ANTHROPIC”，而且是一个动态演示，就像这样—— 图源丨Anthropic官网，如果看不到动画，可单击放大查看联想到上周末，公司创始人Dario Amodei 刚在X上放出豪言，有了 AI 助力，人类有望在5-10年内攻克大部分疾病。推荐SSD+HDD混合方案——NVMe SSD作为高速系统盘，18TB企业级HDD作为存储盘，通过RAID 5/10配置实现读写优化与数据冗余。全球网络加速：基于CN2 GIA专线构建BGP智能路由，国内访问延迟低至25ms。[2] 这才过了几天，难道这么快就开始兑现预言了吗？ 要回答这个问题，得先问几个问题：Claude到底做了啥？这个成绩算什么水平？离药还有多远？为什么AI公司都盯上了这块蛋糕？AI设计的蛋白质，安全吗？Amodei是不是在吹牛？一、Claude到底是怎么做到的？说到蛋白质和AI，多数人第一个想到的是谷歌旗下的AlphaFold。QUIC协议替代传统TCP，首包延迟降低65%，保障分布式计算节点间的高效数据传输。

二 | 来自AlphaFold的科学家戴密斯·哈萨比斯（Demis Hassabis）、约翰·江珀（John Michael Jumper），因为使用AI解析和预测蛋白质结构，拿下了2024年的诺贝尔化学奖。 2、工作流架构设计原则针对数据科学任务特性，RAKsmart采用三层优化架构：资源动态池化：通过vGPU虚拟化技术将单块A100 GPU划分为多个计算实例，按需分配给不同工作流任务，提升资源利用率。同样和他们分享诺奖的另一个人，是戴维·贝克（David Baker），他的研究方向刚好相反，是从头设计蛋白质。微服务化部署：基于Kubernetes容器编排实现工作流组件的隔离与调度。而Claude这次做的工作，就和贝克类似。支持水平扩展和垂直扩展，应对流量峰值。要的是创造，零帧起手，反推出一条自然界没有的结构，难度更高。 Claude设计的产物，严格来说应该叫“蛋白质结合剂”（protein binder），作用是：用新蛋白质，结合已有蛋白质。不过，也不要把Claude想得太神了。

三 | 边缘-云协同：利用全球20+数据中心节点，将预处理任务下沉至边缘端。

四 | 它只是一个很强的大语言模型，不是万能的哆啦A梦。在这次设计蛋白质的实验中，它更像一个赛博科学家，善于驱遣各种科研工具，做成一个装配流水线。敏感数据本地处理，仅上传匿名特征至云端模型，兼顾低延迟与隐私安全。 3、数据科学管道实施基于Red Hat OpenShift AI框架，工作流管理具体流程如下：管道服务器配置在数据科学项目中创建专用管道服务器，配置S3兼容存储桶存放管道工件。简单来说，Claude设计出蛋白质，经历了以下步骤[3]： 1. 选靶点。Anthropic研究人员拟定了一个16000个单词的提示协议，包含设计蛋白质所需的所有经验知识，然后把它喂给Claude的两个版本：Opus 4.8和Mythos Preview，让这两款模型就16个靶点展开内部赛马，耗时24-48小时，筛出15个靶点蛋白质，并确定了靶点的结合表位； 2. 生成结构。基于15个蛋白质靶点，生成结合剂主链结构； 3. 生成序列。基于主链结构，把结构反推成具体的氨基酸序列； 4. 进行筛选。

五 | 对候选序列做评估打分，并进行多轮优化，挑出最有希望成功的蛋白质。

六 | 数据库可选择内置MariaDB或外部MySQL，实现元数据与运行状态跟踪。

七 | 管道定义与导入使用Kubeflow Pipelines SDK构建机器学习工作流(含数据提取、特征工程、模型训练等步骤)，编译为Tekton格式YAML文件后导入RAKsmart平台。最终，针对这15个蛋白靶点，Claude生成了1320个设计。支持 Elyra JupyterLab 扩展可视化编排流程。 AI从头设计蛋白质的流程，图丨九叶刀使用AI制作 Claude能做的事情到此为止。

八 | 接下来，Anthropic的研究人员把设计出来的序列，送到了两家独立的第三方湿实验平台（瑞士Adaptyv Bio和美国Twist Bioscience）进行实地检测。管道运行与监控执行管道时可选择触发运行或定时调度。平台提供运行图谱实时展示步骤状态，结合历史记录分析失败节点。通过预加载高频模型至内存池，冷启动时间从120秒压缩至8秒。 4、智能运维与持续优化安全防护体系：启用硬件级TPM芯片与AES-256加密，通过gVisor实现容器沙箱隔离，抵御反编译攻击。二、和人类专家比，Claude水平咋样？无论是AI还是人类科学家，只要做的是设计，首先要面对的是蛋白质的汪洋大海。

九 | 联邦学习架构确保原始数据不出本地域。弹性扩缩容策略：基于LSTM算法预测未来5分钟负载，提前扩容资源。

十 | 这“汪洋大海”的规模，要多大有多大。蛋白质的基础原料是氨基酸，生命编码用的标准氨基酸有20种，通过α螺旋、β折叠和β转角等方式，最终组成蛋白质。实测可承受120Gbps DDoS攻击，业务中断0秒，SLA高达99.95%。性能调优工具：集成全栈监控仪表盘，跟踪100+指标。

十一 | 当存储容量达80%时触发告警，支持在线热插拔硬盘扩容。

十二 | 总之，RAKsmart通过软硬一体化架构，将分散的数据科学任务整合为自动化、可追溯的标准化流程。

十三 | 欢迎访问RAKsmart网站，获取定制化的解决方案。一段只有100个氨基酸的蛋白，可能的序列组合可能性为20100种，大约10130种。

十四 | 宇宙里所有原子的总数，估计也就1080个。

申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！。也就是说，一个包含100个氨基酸的序列，可能组成的蛋白质种类，比全宇宙的原子还多几十个数量级。

十五 | 氨基酸排列的无数可能，图丨九叶刀使用AI制作在这片天文数字级别的序列海洋里，能稳定折叠成有用结构的，只是极小一撮。自然界实际存在的蛋白质折叠类型，加起来大约1000-2000种。绝大多数随机序列根本不会折叠，要么成团乱麻，要么碎成渣渣。从头设计，就好比在这个比宇宙还辽阔的空间里做逆向搜索，给你想要的功能和形状，让AI反推那条氨基酸序列。 Claude不是第一个吃螃蟹的。二十多年来，人们一直在研究从头设计蛋白质。贝克实验室是这条路上最早也最执着的探路者。2003年，他们做出了Top7，这是第一个自然界里不存在的全新折叠结构，证明来从头设计这事确实可行。但当时做这一个结构，就要消耗大量计算资源，离实用差得远。[4] 之后的十几年，整个领域都因为低命中率而苦苦挣扎。传统从头设计结合剂，成功率大概为10%-15%，一个靶点磨上几个月是常态。

十六 | 2017年，贝克实验室在《自然》杂志上发表的迷你蛋白库，2万多个设计里，高亲和力结合剂命中率为11.6%[5]。同年，该实验室的Rocklin 等人在《科学》杂志上做了更大规模的折叠测试，首轮成功率只有个位数百分比，而且不同结构之间差距悬殊，螺旋结构简单，成功率好歹能到23%，但某些混合结构直接归零。[6] 也就是说，在这片比宇宙还大的搜索空间里，人类专家拿着最好的工具，命中的概率百分比，经常也只有个位数。 这就是Claude出手之前的状态。 Claude这次设计尝试，最吸引人的就是人机成绩的鲜明对比。同期的人类专家竞赛里，RBX1这个靶点，人类选手的命中率只有3.7%，Claude单靶点做到了40%，它最优的设计，还超越了人类冠军。

十七 | 它也啃下了公认难搞的硬骨头：TNFα。

十八 | 它是修美乐等重磅药物的作用靶点，结合位点藏在两个蛋白拷贝拼出来的凹槽里，设计难度极大。Opus 4.8把它搞定了，但整体能力更强的Mythos Preview反而没成功。Anthropic由此也得出结论，蛋白设计已经非常精专，但更强的模型仍有可能在某个具体结构上失手。不过Claude成功和栽跟头都没啥规律。一个MBP靶点，90个设计，一个都没结合成功。这个蛋白又大又软，表面光滑亲水，结合剂无处下手。

十九 | 但公认难做的β折叠结构，它反而做出来了。另外，大部分计算设计的结合剂都是α螺旋束，就是几根螺旋拧在一起。β折叠那种扁平带状结构更难做对，容易错折叠。这次Claude在6个靶点上产出了15个含β折叠结构的结合剂，说明它的结构推理能力不止于最简单的套路。一种名为SUMO-1蛋白的二级结构图，其中，红色结构是α螺旋，蓝色结构是β折叠，图源丨参考文献[11] 总结一下，15个靶点中，有14个给出了能结合的蛋白；一轮设计下来，命中率22%-35%，行业通常只有10%-15%；每个靶点两天内出结果，过去靠计算专家手工编排，要几周的时间。在比宇宙原子还多的搜索空间里，把命中率从百分之一二拉升至百分之二三十，把时间从几周压缩到两天，这个进步的确值得赞叹。但设计结合剂，只是药物开发的第一步。后续的可制造性、稳定性、毒理、剂量、临床试验、监管审批，仍然需要人类完成。到今天为止，还没有一款用AI从头设计的蛋白类药物成功上市。

| 而且，这次Anthropic只是秀了秀Claude的技术肌肉，断然不会下场做湿实验，也不涉足实际管线，不分析疾病数据，更不会自造底层科学模型，反正专业开源工具已经足够。三、从蛋白质到药物，还有多远？很多媒体在讨论Claude设计蛋白质的时候，忽略了一个问题：蛋白质是蛋白质，药是药，它们之间到底是什么关系。 简单地说，现代药物大致分三类： 化学药，也就是小分子药物，比如阿司匹林、布洛芬；生物药，用生物体生产的蛋白质、核酸或多糖类药物，比如胰岛素、各种单抗、疫苗；核药，利用放射性同位素杀伤肿瘤的新型药物。蛋白药的地位有多重要呢？很多生物药本身就是蛋白质。我们小时候打过的乙肝疫苗，起作用的成分之一，就是重组蛋白；治疗癌症的热门药物PD-1抑制剂，本质也是蛋白质；这几年很火的ADC（抗体偶联药物），抗体部分也是蛋白质。

| 所以，Claude设计出蛋白质结合剂，确实是AI迈出了一大步，但对AI制药来说，仍是微不足道的一小步。从蛋白质设计，到生物药，Claude只完成了第一步，后面的工作流程还很长，图丨九叶刀使用AI制作因为设计一组自然界并不存在的蛋白质，不等于一夕之间就能直接拿来治病。

| 一款新药从发现到上市，平均10-15年，花10亿-20亿美元。

| 临床试验和FDA审批这些必需流程，AI都搞不定；阿尔茨海默、多数癌症、自身免疫病、衰老，这些也是公认难攻克的问题，历史上相关蛋白药失败案例，更是数不胜数。 AI可能会让新药发现效率提高100倍，但无法让药物上市速度快100倍。有意思的是，虽然Amodei豪言人类会很快用AI攻克大部分疾病，但自己在2024年那篇Machines of Loving Grace的长文章中，又承认了这些瓶颈，他如实列出了数据、物理世界速度、内在复杂性、临床试验等问题。

| [7] Amodei为何改变了想法？是AI进步太快，还是人类太乐观，又或是因为要冲击IPO的Anthropic，要吹高公司市梦率了？ AI科研的确是个值得掘金的宝库，更重要的是，Claude的同行们已经先行一步了。四、在科研AI赛道，AI御三家各自什么段位？贝克实验室创始人戴维·贝克（David Baker）曾说过，AI彻底改变了蛋白质设计的研究工作，但AI只是个工具。而随着工具越来越顺手，这个“金铲子”也越来越值钱了。 2026年，Anthropic在科研AI领域动作频频。不仅大手笔收购，还重金挖人，同时高调发布AI科研平台。说到底，还是看中了生命科学这头现金牛。趋势已经很明显：科研AI（AI for Science），尤其AI制药，有望成为继AI编程之后的下一块营收金矿。 Anthropic的Claude for Life Sciences和Claude Science工作台都是付费产品，签下的客户包括：诺华、礼来、赛诺菲、艾伯维、阿斯利康、BMS等跨国巨头药企。如今，包括Anthropic在内的科研AI御三家，已经成型。科研AI御三家功底最深的是谷歌，但如今略显踟蹰。虽然它拥有诺奖级成果AlphaFold，分拆出来的Isomorphic Labs 却至今没把一款药送进临床，多个项目还停在IND准备阶段，首个新药申请预计2026年底才提交。2026年又突然拆分AlphaFold团队，关键科学家约翰·江珀（John Jumper）直接跳槽到Anthropic，媒体一度盛传，连核心人物哈萨比斯也退居二线，差点跑路； OpenAI最稳，走的是垂直科学模型+药企合作网的路线。它的动作比Anthropic早了半步。GPT-Rosalind是专门的生命科学推理模型，GPT-4b micro联手Retro Biosciences重新设计了山中因子（诱导多能干细胞用的蛋白），湿实验验证效率提升50倍。 Anthropic是急行军。

| 最近靠挖人、收购、把生物能力嵌入通用模型，站到了谷歌和贝克实验室两大巨人的肩头。虽然没有在研管线，也不自造科学模型，蛋白设计用的全是开源工具，但在砸钱补闭环，可谓不遗余力。在御三家之外，值得注意的还有卖铲子的亚马逊，它不造第一方科学模型，但提供基建底座。多数药企（比如Modera研发的mRNA癌症疫苗）和AI制药公司都在用AWS算力跑研发。这些综合型AI公司的AI科研能力，和专业AI制药公司相比，又是什么水平？英矽智能以端到端模式做新药研发，Rentosertib在2026 年7月已启动Ⅲ期临床试验；晶泰科技有上万平米湿实验室和机器人集群，合作研发的PEP08、RTX-117均已进入Ⅰ期临床，还开辟了生物制造合作业务；深势科技物理精度打底、正在补实验闭环，DeePMD还拿过 2020年戈登贝尔奖。总的来说，各家仍在各显神通的阶段，谁也没有胜出，而且谁也无法证明Amodei那句“5-10年能治愈大部分疾病”的预言。

| 对Claude这样的AI工具来说，这时候拿出从头设计蛋白质的新闻，算是个不错的PR手段，但也不免让人担心—— 五、AI设计新蛋白质，安全吗？对人体而言，AI设计的蛋白质的首要问题是安全，那么现有的技术和监管，能保证这一点吗？万一AI不小心设计出来一个结构扭曲的怪物蛋白呢？这么说可能有点抽象，但如果我说，朊病毒，你可能会更容易理解。这是一种因为错误折叠而形成的危险蛋白质，它不仅不能发挥正常功能，还有类似病毒的特性，能把它所接触到的正常蛋白质变成错误结构。朊病毒能导致人或动物神经元死亡，感染朊病毒的动物，大脑呈海绵状空洞，比如疯牛病、库鲁病和克-雅病。正常蛋白结构（左）和朊病毒的蛋白结构（右），图丨参考文献[12] 但暂时不用害怕。由于AI设计蛋白质流程有严格的筛选机制，首先要消灭的就是错误的折叠和聚集，所以这种意外可能性不大。退一万步说，就算设计失败，出现聚集现象，甚至无法表达，也不代表会出现新型的朊病毒，全新设计的蛋白质如果没有正常蛋白与之匹配，就不能造成错误结构。万一人体不认识新蛋白呢？这是真实存在的风险。全新设计的蛋白质，很容易被免疫系统当成外来异物消灭掉，这个消灭的过程，就是免疫，它可能引发炎症。

| 人类设计蛋白引发免疫系统攻击，历史上有真实案例，比如Abicipar，这是一款蛋白类眼药，疗效不输对照组，但因高达15.4%的炎症发病率，最终使产品功败垂成。[8] 万一针对A目标的蛋白质，实际却对B目标起作用了呢？这也是真实存在的风险。在人类改造蛋白质的历史中，也发生过这类事件。

| 比如药企尝试研发高效胰岛素，结果药是研发出来了，代号AspB10，但降糖效果太好太持久，而且还控制了另一个促进细胞生长和分裂的受体，动物实验显示，它导致良性和恶性肿瘤的比例高得惊人。

| 最终，这款强效降糖药被迫放弃。[9] 万一这些被不怀好意的邪恶天才利用了呢？这种可能性不仅存在，而且是最该警惕的风险。

| 2025年一项来自《科学》的研究展示了这样一个过程：研究者用开源的AI蛋白设计工具，生成了超过7.5万个危险蛋白变体，用四家主流基因合成筛查软件测试，结果大量变体成功逃过了检测。

| 原因是AI生成的新蛋白序列太新了，现有的筛查工具全靠相似度比对，效率自然不高。而这些检测工具打了补丁之后，仍有约3%的危险变体漏网，这是个相当危险的数字。[10] 也正因此，Anthropic把蛋白质设计技术列为“双重用途”，承认在没有安全措施时，AI工具可能被用于生物武器研发，而Claude现有的蛋白设计功能，目前也不向普通用户开放。Anthropic也表示，正在筹备一个科学家准入计划，但没有时间表。那这次公布的Claude设计蛋白的新闻，意义在哪里呢？可能是另一项开放科研能力：化学分析。 Anthropic宣布，任何Opus 5用户都可以把原始核磁或质谱文件丢给Claude，它用不到25分钟就能出一份完整分析报告，纯度测定 96.4%，和专业实验室手工测出的96.33%不相上下。