AlphaFold wurde kürzlich aufgelöst, Claude steigt in das Proteindesign ein: 14 von 15 Zielstrukturen wurden erfolgreich gemeistert.

Claude steigt in das Proteindesign ein und liefert gleich zu Beginn eine beeindruckende Leistungsbilanz.

Gerade hat Firma A einen neuen Blogbeitrag veröffentlicht, in dem der gesamte Prozess, wie ihre eigenen Modelle Mythos und Opus gemeinsam im Bereich KI für Wissenschaft (KI4S) Fortschritte erzielen, detailliert nachgezeichnet wird.

Blättern Sie schnell zu den Ergebnis-Seiten, und Sie sehen sofort, dass es echte Fortschritte gibt:

Diesmal hat Claude von Grund auf 1320 Protein-Kandidaten entworfen, die anschließend an externe Labore zur Herstellung und Validierung übergeben wurden.

Das Ergebnis zeigt, dass 354 davon das Ziel erfolgreich binden, 14 von 15 Zielstrukturen wurden erreicht, die höchste Trefferquote liegt bei 35,1 %.

Man muss wissen, dass die typische Trefferquote aktueller Proteindesign-Projekte normalerweise nur 10 % bis 15 % beträgt.

Noch beeindruckender: Nach dem Entwurf neuer Moleküle war es noch nicht bereit, die Arbeit zu beenden.

Angesichts der von den Laboren bereitgestellten ursprünglichen Dateien von NMR und LC-MS hat Claude nur die Aufgabenbeschreibung von zwei Sätzen gelesen und die Verarbeitung in 23 Minuten bzw. 19 Minuten abgeschlossen.

Die endgültig gemessene Probenreinheit beträgt 96,4 %, während das Laborergebnis 96,33 % lautet.

Der Unterschied beträgt nur 0,07 Prozentpunkte.

Das bedeutet, dass das Ergebnis von Claude und das Laborergebnis erstaunlich übereinstimmen.

Keine Vorhersage, sondern de novo-Proteindesign

Wenn man von Proteinen spricht, denken viele Menschen sofort an das AlphaFold-Projekt von Google DeepMind.

Zuerst zur Klarstellung: AlphaFold dient der Vorhersage von Proteinstrukturen und löst im Kern die Frage „Wenn man eine Aminosäuresequenz kennt, zu welcher Struktur wird sie sich falten?“.

Die Aufgabe, die Claude diesmal erhalten hat, ist völlig anders:

Hier ist das Zielprotein, entwerfen Sie von Grund auf ein neues, bisher nicht existierendes Protein, das es präzise binden kann.

Was Claude entwerfen soll, heißt Minibinder, also kleines Bindeprotein.

Gemäß öffentlich zugänglichen Informationen ist Minibinder ein künstlich entworfenes kleines Protein, das normalerweise nur 50 bis 70 Aminosäuren enthält, eine kompakte Struktur und eine einheitliche Funktion aufweist.

Seine Aufgabe ist rein: Es bindet einen bestimmten Bereich auf dem Zielprotein mit extrem hoher Genauigkeit und Stärke.

Unterschätzen Sie diese „Bindungs“-Aktion nicht: Viele Medikamente wirken genau durch diese präzise Bindung auf molekularer Ebene —

Binden Sie ein schädliches Protein, um es außer Kraft zu setzen, oder binden Sie ein nützliches Protein, um es zu aktivieren, oder ziehen Sie das Medikamentenmolekül direkt zum Krankheitsherd, um es dort freizusetzen.

Das Problem ist, dass diese Arbeit sehr aufwendig ist.

Proteindesigner müssen nicht nur eine Reihe von Fachmodellen koordinieren, sondern auch wiederholt Kandidaten erzeugen, optimieren und auswählen. Der gesamte Prozess hängt stark von Erfahrung ab.

Jede Zielstruktur erfordert Wochen oder sogar Monate Arbeit von Experten, um wenige wirklich wirksame Moleküle aus einer großen Anzahl von Kandidaten auszuwählen.

Anthropic hat diesmal einfach das gesamte Werkzeugkasten an Claude übergeben.

An dem Experiment nahmen Mythos Preview und Opus 4.8 teil. Sie können auf wissenschaftliche Arbeiten, Internetressourcen und mehrere professionelle Proteinmodelle zugreifen und erhielten zudem ausreichend GPU-Rechenleistung.

Nachdem die Menschen die anfängliche Aufgabe festgelegt hatten, lief Claude selbstständig ab. Das Endergebnis lautet:

Claude hat 14 von 15 Zielstrukturen erreicht, darunter erzeugten mindestens 6 hochaffine Bindeproteine, und mindestens 4 erreichten oder übertrafen die bisher besten Ergebnisse.

Es gibt zwei unterschiedliche Vorgehensweisen:

Modus mit mehreren Zielstrukturen: Claude verarbeitet mehrere Ziele gleichzeitig in einer einzigen 48-Stunden-Aufgabe und kann maximal 12500 H100-GPU-Stunden nutzen.

Modus mit einer einzelnen Zielstruktur: Es wird jeweils nur ein Ziel verfolgt, alle Aufgaben laufen parallel 24 Stunden lang, und pro Zielstruktur können maximal 2500 H100-GPU-Stunden verwendet werden.

Die Experimente belegen, dass Konzentration tatsächlich besser ist als geteilte Aufmerksamkeit.

Im Modus mit mehreren Zielstrukturen betrugen die Gesamttrefferquoten von Mythos Preview und Opus 4.8 26,7 % bzw. 22,6 %.

Nach dem Wechsel zum Modus mit einer einzelnen Zielstruktur erreichte Mythos Preview direkt einen Wert von 35,1 %.

Die Leistung bei einigen Zielstrukturen übertraf sogar die bisherigen menschlichen Ergebnisse.

Ein Beispiel ist RBX1, eine Zielstruktur, die am Abbau von Proteinen beteiligt ist. Bei einem früheren Designwettbewerb von Adaptyv Bio betrug die Gesamttrefferquote aller Teilnehmer nur 3,7 %. Als Mythos Preview es allein herausforderte, lag die Trefferquote bei 40 %.

Nicht nur die Trefferwahrscheinlichkeit ist höher: Das am besten bewertete Design von Claude ist zudem ein hochaffines Bindeprotein, dessen Bindungsstärke den Sieger des Wettbewerbs übertrifft, der aus 245 eingereichten Designs ausgewählt wurde.

Ein weiteres schwieriges Ziel ist TNFα, ein entzündliches Signalprotein, das vom Immunsystem freigesetzt wird.

Da die geeignete Bindungsstelle in einer Vertiefung liegt, die von zwei Proteinen gebildet wird, sind viele Expertenteams hierbei bisher gescheitert.

Diese Aufgabe hat Mythos Preview nicht gelöst, aber Opus 4.8 hat sie gemeistert:

Opus 4.8 hat nicht nur mehrere wirksame Bindeproteine entworfen, sondern einige davon binden gleichzeitig TNFα von Menschen, Javaneraffen und Mäusen.

Diese Fähigkeit zur speziesübergreifenden Bindung ist sehr wichtig, da bei nachfolgenden Tierversuchen kein neues Design für jede Spezies erstellt werden muss.

Doch taucht sofort eine Frage auf:

Warum ist das leistungsstärkere Mythos Preview gescheitert, während Opus 4.8 erfolgreich war?

Firma A gibt offen zu, dass sie dies selbst nicht vollständig versteht.

Man kann nur sagen, dass die Forschungsfähigkeiten großer Sprachmodelle noch nicht gleichmäßig ausgereift sind.

Als Claude die Herausforderung von schwieriger zu entwerfenden β-Faltblatt-Strukturen annahm, erzeugte es 15 wirksame Bindeproteine für 6 Zielstrukturen.

Aber bei dem Maltose-bindenden Protein MBP scheiterte Claude vollständig —

Keines der 90 Designs wurde als erfolgreich bestätigt, nur eines zeigte ein schwaches Signal.

Daher ist es noch zu früh zu sagen, dass man nur eine Zielstruktur eingeben muss und Claude automatisch ein neues Medikament erzeugen kann. Aber Claude hat bereits bewiesen:

Es kann professionelle Modelle selbstständig koordinieren und den gesamten Designprozess durchführen, für den Experten früher viel Zeit zur Organisation und Auswahl benötigten.

Dieser Schritt ist bereits sehr bedeutend.

Nach dem Entwurf neuer Moleküle begann Claude auch, experimentelle Daten auszuwerten

Die Experimente von Firma A endeten aber nicht hier.

Neben der Untersuchung, ob Claude neue Moleküle entwerfen kann, wollten sie auch prüfen:

Kann Claude angesichts der bereits hergestellten Verbindungen die experimentellen Daten selbstständig verstehen und beurteilen, was sie sind und wie rein sie sind.

Diesmal kam das allgemein verfügbare Claude Opus 5 zum Einsatz.

Die Aufgabe stammt aus zwei sehr üblichen, aber auch aufwendigen Arbeiten in der analytischen Chemie:

Kernspinresonanzspektroskopie (NMR): Beobachtet die Signale von Wasserstoffatomen im Molekül, um zu bestätigen, ob das hergestellte Molekül dem Zielmolekül entspricht.

Flüssigkeitschromatographie-Massenspektrometrie (LC-MS): Trennt verschiedene Bestandteile in der Probe, misst dann deren Molekulargewicht und Gehalt, um zu beurteilen, wie rein die Probe ist und was sie sonst noch enthält.

Diese Arbeit erfordert, dass Chemiker ursprüngliche Daten in proprietären Formen manuell verarbeiten, Schritt für Schritt kalibrieren, Peaks finden, integrieren und überprüfen, und schließlich einen Bericht erstellen.

Die Schritte sind zahlreich und hängen stark von Erfahrung ab. Die kleinste Abweichung kann zu falschen Schlussfolgerungen führen.

Anthropic hat Claude diesmal nur die ursprünglichen Dateien aus dem Labor und die Aufgabenbeschreibung von zwei Sätzen übergeben.

Es gab keine Herstellersoftware und keine Anleitung durch Personal (Hinweis: Die zugehörigen Daten und Prompt-Wörter sind quelloffen).

Schließlich hat Claude die NMR- und LC-MS-Analyse in 23 Minuten bzw. 19 Minuten abgeschlossen.

Bei der NMR-Auswertung erstellte Claude 18 Signalpeaks und berechnete die Anzahl der Wasserstoffatome für jeden Peak. Die Abweichung zum Laborergebnis beträgt nicht mehr als 0,08 Wasserstoffatome.

Es stellte zudem fest, dass 4 der breiten Peaks möglicherweise von Wasserstoffatomen stammen, die an Stickstoff oder Sauerstoff gebunden sind, und schlug vor, zur weiteren Überprüfung schweres Wasser hinzuzufügen.

Dies ist eine gängige Ausschlussmethode: Nach der Zugabe von schwerem Wasser schwächen sich die Signale bestimmter Wasserstoffatome oder verschwinden, sodass Chemiker die Molekülstruktur beurteilen können.

Zufälligerweise hat das Labor später genau dieselbe Überprüfung durchgeführt.

Nach der Überprüfung glaubte Claude zunächst, dass alle 4 Signale verschwunden sind, stellte aber bei der Selbstprüfung fest, dass dies nicht stimmt, korrigierte sich selbst und stellte fest, dass nur 2 Signale verschwunden sind. Das Endergebnis stimmt mit dem des Labors überein.

Bei der LC-MS-Auswertung war das Vorgehen noch direkter.

Angesichts der Herstellerdateien ohne öffentliche Formatanleitung hat Claude zunächst selbst herausgefunden, wie die Daten kodiert sind, und bestätigte dann durch die Nachbildung aller 2664 Scan-Aufzeichnungen, dass die Dateien korrekt gelesen wurden.

Anschließend erzeugte es das Chromatogramm, das Massenspektrum, die Reinheitstabelle und das Molekulargewicht und schrieb zudem einen wiederverwendbaren Analysekode.

Schließlich betrug die von Claude gemessene Probenreinheit 96,4 %, während das Laborergebnis 96,33 % lautete.

Der Unterschied beträgt nur 0,07 Prozentpunkte.