最近这段时间，大模型圈子的消息多少让人有些审美疲劳。今天这家发个新模型刷新了数学竞赛得分，明天那家在编程基准上又涨了两个百分点。大家似乎已经习惯了让模型在屏幕里打转——写写业务代码、改改文档格式，或者陪人聊聊天。
就在这种略显重复的跑分狂欢里，Anthropic 悄悄在其科学博客和 Hugging Face 上发布了一篇非同寻常的技术报告：他们利用通用前沿大模型 Claude，针对全球致命的蝎子神经毒素，从头设计（de novo）出了全新的蛋白质结合物（Protein Binders），并在真实生物湿实验中拿到了约 8% 的有效结合率。
有从业者对此发了一条高赞锐评：“OpenAI 在向数学家狂奔，而 Anthropic 正在奔向生物化学家。”
这篇报告之所以在海外科研圈引发震动，不在于它吹了多大的商业泡沫，恰恰相反，在于它罕见地把大模型拉进了真实的原子世界，经历了一次极其硬核的“干湿闭环”。
一个被现代药企遗忘的百年死局
要理解这项实验的价值，得先看他们挑的对手。
全球每年约有 120 万人被蝎子蜇伤，重症患者常因神经毒素阻断离子通道而死于呼吸衰竭或心律失常。这并非什么稀有罕见病，在墨西哥、北非、中东和南美，蝎毒是实打实的公共卫生威胁。
但应对这种致命威胁的手段，却诡异地停留在上个世纪。
目前临床上使用的抗毒血清，基本依然沿用百年前的古老流程：把减毒的毒素注射到马或羊体内，等动物产生免疫反应，再抽取血液、分离提纯抗体。这套流程不仅耗时数月、成本高昂，制出的异源动物蛋白还极易引发严重的过敏与血清病。更致命的是，血清需要严格冷链储存，而蝎蜇高发区恰恰多是基础设施薄弱、电力不稳的热带贫困农牧区。
由于受害群体多分布在欠发达地区，商业回报极低，跨国大药企几乎没有动力用现代蛋白质工程对蝎毒解毒剂做系统性迭代。这是一个典型被市场机制抛弃、亟需技术降维打击的冷门死局。
64 小时，30 万个候选设计，直接进湿实验
Anthropic 这次并不是在屏幕前做纯粹的数学推导，而是联合生化研究机构 Citrini、基因合成公司 Twist Bioscience 以及高通量自动化实验室 Adaptyv Bio，走完了一次完整的研究闭环。
整个实验的推进节奏快得令人咋舌。
第一步：靶向构想与超高通量生成
研究团队选定了 5 种极具代表性的致命蝎神经毒素，核心目标是让 AI 设计出能够“死死咬住”毒素活性位点的蛋白质，从物理上阻断毒素与人体神经细胞受体的结合。在短短 64 小时内，Claude 根据设定的生物物理约束与拓扑结构指令，密集生成了超过 30 万个蛋白质候选序列与结构构想。
第二步：计算筛选与物理制造
30 万个设计显然不可能全部送进实验室。研究团队通过自动化筛选漏斗，挑出了 211 个最具潜力、结构最为稳定的候选分子。紧接着，这些数据被转化为实际的物理载荷——交由 Twist Bioscience 直接进行高精度基因合成。
第三步：微流控芯片上的真机验证
合成后的样本被送往 Adaptyv Bio 的自动化湿实验室，在微流控芯片上直接测试这些候选分子对真实蝎毒分子的结合亲和力。
实验结果出来后让不少生物学家感到意外：在 211 个完全从头设计的候选蛋白中，有 17 个达到了有效结合的标准，湿实验命中率约为 8%。
这 17 个有效结合蛋白成功覆盖了来自墨西哥、北非以及中东的蝎种神经毒素，仅对巴西的一种蝎种毒素未显示结合。对于完全没有经过漫长自然进化筛选、不依赖传统抗体骨架的从头蛋白质设计而言，初次尝试能在自动化湿实验里拿到这个命中率，在工程上已经算得上极其惊艳的起步。
为什么 8% 的湿实验命中率值得重视？
在纯计算机领域，8% 的准确率可能是不可接受的；但在生物湿实验里，8% 往往意味着“从 0 到 1”的质变。
蛋白质从头设计向来是结构生物学里的皇冠明珠。蛋白质不仅是一串氨基酸链条，它还要在水热环境中折叠成精准的三维构型，表面电荷分布、疏水作用、氢键网络哪怕出现一埃（0.1 纳米）的偏差，结合力就会直接归零。传统药物化学里，一个候选分子库初筛时全军覆没是家常便饭。
此前，蛋白质设计领域主要由专属架构的专用 AI 统治，比如 AlphaFold 负责结构预测，RFdiffusion 负责骨架扩散生成，ProteinMPNN 负责氨基酸序列设计。
但 Anthropic 这次实验的核心启发在于：一个具备超长上下文、通用推理能力与深厚科学语料的前沿通用大语言模型（LLM），正在展现出直接介入复杂生化管线的设计能力。 它不再仅仅是个写文档或查论文的“助手”，而是开始扮演一种“跨学科架构师”的角色——理解生物物理约束、探索巨大的化学序列空间，并与下游的专用计算工具及自动化实验平台形成高效流水线。
罕见的科研克制与全部开源
与某些动辄宣称“攻克人类疾病”的初创公司不同，Anthropic 在发布这项成果时的措辞异常克制严谨。
他们明确在技术报告中划出了清晰的红线：“我们并没有制造出抗毒血清。”
在真实的药物研发中，能与毒素在芯片上发生体外结合，距离真正能作为临床解毒剂，中间还隔着漫长而凶险的鸿沟。
结合之后，能否在真实的活体神经细胞内有效阻断离子通道毒性？
注射进小鼠等哺乳动物体内后，分子是否稳定？会不会被体内的蛋白酶迅速水解？
分子在血液循环中的半衰期够不够长？自身会不会引发机体强烈的免疫排斥反应？
每一个问题，都需要以年为单位的活体动物实验与毒理学评估。Anthropic 没有试图把一个概念验证（PoC）粉饰成现成的药物，而是把重心放在了“大模型能多大程度加速科学探索的前期漏斗”。
更值得称赞的是其技术透明度：Anthropic 将这 211 个测试分子的详细三维结构、序列数据以及真实的湿实验结合曲线，全部无保留地开源发布到了 Hugging Face 上，并附带了完整的技术白皮书。任何实验室都可以下载这些数据，复现验证，或者在此基础上继续迭代优化。
当 AI 走出虚拟世界
在过去几年里，关于生成式 AI 的讨论往往聚焦于软件本身：代码补全提升了多少生产力、文生图有多惊艳、智能体能不能自己完成复杂任务。软件世界是低成本试错的温床，改一行代码只需几毫秒，编译失败不过重新跑一次。
但真实世界由原子构成。材料、能源、生命科学……这些领域的突破无法仅靠软件层面的自娱自乐，它们需要与物理规律硬碰硬，承受真实物理实验的高昂成本与严苛反馈。
Anthropic 这一步的深远意义，或许不在于蝎毒本身，而在于它向所有人展示了一种可能：大语言模型的通用推理能力，可以成为解构物理与生物复杂性的强力杠杆。 从屏幕里的像素与字符，走向试管里的氨基酸与分子结合，AI for Science 正在从概念口号，变成实实在在被自动化实验室验证的现实。
这场“奔向生物化学”的探索才刚刚开始，但通往物理世界的门，显然已经被推开了一条缝。对 AI 与生命科学交叉领域感兴趣的读者，不妨在云栈社区和同好一起聊聊这场变革的边界究竟在哪里。
发表于 前天 06:00
|
查看: 2|
回复: 0
