Anthropic เผยผล Claude ออกแบบโปรตีนสำเร็จ 14 จาก 15 เป้าหมาย งานที่นักวิจัยใช้เวลาเป็นเดือน Claude ทำจบใน 48 ชั่วโมง

Anthropic ส่งงานออกแบบโปรตีนที่ Claude คิดขึ้นเองไปให้ห้องแล็บภายนอกสองแห่งผลิตและทดสอบจริง ผลที่ได้กลับมาคือ จาก 15 โปรตีนเป้าหมาย Claude ออกแบบตัวจับได้สำเร็จถึง 14 เป้าหมาย และอัตราความสำเร็จของแบบแต่ละชิ้นอยู่ที่ 22% ถึง 35% เทียบกับค่ามาตรฐานของวงการที่อยู่ราว 10% ถึง 15% เท่านั้น

นี่คือหนึ่งในสองการทดลองที่ Anthropic เพิ่งเผยแพร่ เพื่อวัดว่า AI ช่วยเร่งงานวิจัยด้านชีววิทยาศาสตร์ได้มากแค่ไหน อีกการทดลองหนึ่งคือการโยนไฟล์ดิบจากเครื่องมือวิเคราะห์ทางเคมีให้ Claude Opus 5 อ่านเอง พร้อมคำสั่งสั้น ๆ แค่สองประโยค แล้วพบว่าโมเดลส่งผลวิเคราะห์ที่ตรงกับห้องแล็บมืออาชีพกลับมาภายใน 23 นาทีและ 19 นาที

งานที่เคยกินเวลาหลายเดือน จบในเซสชันเดียว

สิ่งที่ Claude ถูกสั่งให้ออกแบบเรียกว่า Minibinder ซึ่งเป็นโปรตีนขนาดเล็กที่ทำหน้าที่เกาะติดโปรตีนเป้าหมายให้แน่นที่สุด กลไกการเกาะติดแบบนี้คือหัวใจของยาสมัยใหม่จำนวนมาก เพราะเมื่อโมเลกุลยาไปเกาะกับเป้าหมายได้ มันจึงยับยั้ง กระตุ้น หรือส่งสารบางอย่างเข้าไปที่เป้าหมายนั้นได้

การออกแบบตัวจับขึ้นใหม่ทั้งหมดโดยไม่ลอกแบบจากธรรมชาติ หรือที่วงการเรียกว่า De Novo Design เคยเป็นงานที่วิศวกรโปรตีนต้องใช้เวลาหลายเดือนต่อหนึ่งเป้าหมาย ทั้งการคำนวณ การปรับแต่ง และการคัดกรอง แม้ช่วงหลังจะมีโมเดล Machine Learning เข้ามาช่วยออกแบบและจัดอันดับว่าแบบไหนน่าจะเกาะได้ แต่การจะเดินเครื่องมือเหล่านั้นยังต้องอาศัยผู้เชี่ยวชาญด้านคอมพิวเตอร์คอยประสานงานเป็นวันหรือเป็นสัปดาห์อยู่ดี

รอบนี้ Anthropic ให้ Claude ลงมือเองทั้งกระบวนการผ่าน Claude Science ซึ่งเป็นพื้นที่ทำงานสำหรับงานวิจัย โมเดลเป็นคนเลือกเองว่าจะออกแบบให้เกาะตรงจุดไหนของโปรตีนเป้าหมาย สร้างโครงสร้างและลำดับกรดอะมิโนที่เป็นตัวเลือก สั่งงานโมเดลเฉพาะทางหลายตัวทั้งฝั่งออกแบบโครงสร้าง ออกแบบลำดับ และโมเดล Co-folding ที่ทำนายโครงสร้างของโปรตีนพร้อมสิ่งที่มันไปเกาะในครั้งเดียว จากนั้นวนปรับแต่งบนคอมพิวเตอร์หลายรอบ แล้วคัดกรองเหลือเฉพาะตัวเลือกที่แปลกใหม่ ผลิตออกมาได้จริง ละลายน้ำได้ และน่าจะเกาะเป้าหมายได้

สิ่งที่มนุษย์ทำมีแค่การกดอนุมัติคำขอบางอย่างของ Claude เช่น การขอเข้าถึงเครือข่าย การดูแลโครงสร้างพื้นฐานให้เซสชันทำงานต่อเนื่อง และการสั่งผลิตแบบที่ได้ไปทดสอบ นอกเหนือจากคำสั่งตั้งต้นความยาวราว 30,000 Token ที่ให้ไปตอนเริ่ม ทีมงานไม่ได้ให้คำแนะนำเชิงวิทยาศาสตร์หรือเทคนิคเพิ่มอีกเลย ทรัพยากรที่เตรียมไว้ให้มีทั้งอินเทอร์เน็ต คลังเอกสารงานวิจัยด้านการออกแบบโปรตีน ตัวเชื่อมต่อกับ Google Drive, Slack, Gmail และ BioRxiv ชิปประมวลผลกราฟิก (GPU) สำหรับรันโมเดลเฉพาะทาง รวมถึงการเปิดโหมด Fast Mode และไม่จำกัดจำนวน Token กับ Sub-agent ภายในเวลาที่กำหนด

ยิ่งโฟกัสทีละเป้าหมาย ยิ่งได้ผลดี

การทดลองแบ่งเป็นสองโหมด โหมดแรกคือให้ออกแบบทุกเป้าหมายพร้อมกันในเซสชันเดียวภายใน 48 ชั่วโมง โดยใช้เวลาประมวลผลบนชิป NVIDIA H100 ได้สูงสุด 12,500 ชั่วโมง ผลคือ Mythos Preview ทำอัตราความสำเร็จได้ 26.7% ส่วน Opus 4.8 อยู่ที่ 22.6%

โหมดที่สองคือให้โฟกัสทีละเป้าหมาย โดยแยกเป็นเซสชันละ 24 ชั่วโมง ใช้เวลาประมวลผลได้เป้าหมายละ 2,500 ชั่วโมง แล้วรันทุกเป้าหมายไปพร้อมกัน วิธีนี้ใกล้เคียงกับที่วิศวกรโปรตีนตัวจริงทำงานมากกว่า และผลลัพธ์ก็ดีขึ้นชัดเจน Mythos Preview ทำอัตราความสำเร็จรวมได้ถึง 35.1%

เมื่อรวมทุกโหมด Claude ผลิตตัวจับที่ยืนยันแล้วได้ 354 ชิ้น จากแบบทั้งหมด 1,320 ชิ้น ครอบคลุม 14 จาก 15 เป้าหมาย ตัวเลขนี้ถือว่าใหญ่มากเมื่อเทียบกับคลังข้อมูลสาธารณะที่มีอยู่ เพราะสองคลังที่ใหญ่ที่สุดของวงการรวมกันมีตัวจับราว 770 ชิ้นจากแบบ 5,700 ชิ้น ครอบคลุม 40 เป้าหมาย

ในจำนวนนี้มีตัวจับที่จัดว่าเกาะแน่นระดับสูง หรือมีค่าคงที่การแยกตัวที่สมดุล (Equilibrium Dissociation Constant หรือ KD) ต่ำกว่า 10 นาโนโมลาร์ อย่างน้อย 6 เป้าหมาย และมีอย่างน้อย 4 เป้าหมายที่ทำได้เท่าหรือดีกว่าสถิติที่เคยตีพิมพ์มา ความแน่นในการเกาะเป็นเรื่องสำคัญ เพราะยาที่เกาะเป้าหมายได้แน่นจะออกฤทธิ์ได้ที่ปริมาณต่ำกว่า ซึ่งแปลว่าความเสี่ยงเรื่องผลข้างเคียงและต้นทุนการผลิตลดลงตามไปด้วย

สนามแข่งจริง 40% เทียบกับ 3.7%

เป้าหมายที่ Anthropic เลือกมาส่วนใหญ่เป็นเป้าหมายมาตรฐานที่วงการใช้วัดผลกันอยู่แล้ว รวมถึงชุด BenchBB ของ Adaptyv Bio ทั้งชุด เพื่อให้เทียบตัวเลขกับผลงานที่เคยตีพิมพ์ได้ และยังเติมเป้าหมายใหม่อีกสองตัวคือ 15-PGDH กับ GDF-8 จากการแข่งขันล่าสุดของ Adaptyv Bio เพื่อกันไม่ให้ Claude ไปหยิบคำตอบสำเร็จรูปจากข้อมูลฝึกหรือจากการค้นหาบนอินเทอร์เน็ต โดยทุกเป้าหมายมีเงื่อนไขบังคับว่า Claude ต้องตรวจสอบเองว่าแบบที่ออกมาไม่ซ้ำกับของเดิม

ผลที่น่าสนใจที่สุดอยู่ที่ RBX1 ซึ่งเป็นโปรตีนขนาดเล็กที่ทำหน้าที่สั่งทำลายโปรตีนควบคุมบางชนิด Mythos Preview ในโหมดโฟกัสทีละเป้าหมายทำอัตราความสำเร็จได้ 40% ขณะที่ผู้เข้าแข่งขันในรายการของ Adaptyv Bio ทำได้เฉลี่ยเพียง 3.7% และแบบที่ได้อันดับหนึ่งของ Claude ยังเกาะแน่นกว่าแบบที่ชนะการแข่งขันซึ่งคัดมาจากผลงานที่ส่งเข้าประกวด 245 ชิ้น

การผลิตและทดสอบทั้งหมดไม่ได้ทำโดย Anthropic เอง แต่ส่งให้ Adaptyv Bio และ Twist Bioscience เป็นผู้ผลิตและทดสอบในห้องแล็บอย่างอิสระ ซึ่งเป็นขั้นตอนที่ปกติกินเวลาเป็นสัปดาห์และเป็นเหตุผลที่ผลลัพธ์ชุดนี้เพิ่งถูกเปิดเผยตอนนี้

โจทย์หินที่หลายทีมผู้เชี่ยวชาญยังทำไม่สำเร็จ แต่ Opus 4.8 ทำได้

TNFα คือโปรตีนส่งสัญญาณที่ระบบภูมิคุ้มกันปล่อยออกมาเพื่อกระตุ้นการอักเสบ และการยับยั้งมันคือหลักการทำงานของยาที่สร้างผลกระทบมากที่สุดกลุ่มหนึ่งของโลกอย่าง Humira ปัญหาคือมันออกแบบยาก เพราะโครงสร้างของมันประกอบจากหลายหน่วยย่อย ทำให้ต้องเล็งไปที่ร่องที่เกิดจากโปรตีนสองตัวประกบกัน หลายทีมผู้เชี่ยวชาญยังทำไม่สำเร็จ

ที่พลิกความคาดหมายคือ Opus 4.8 ทำได้ ส่วน Mythos Preview ซึ่งเป็นโมเดลที่เก่งกว่าในภาพรวมกลับทำไม่ได้ Opus 4.8 ออกแบบตัวจับได้หลายชิ้น และบางชิ้นยังเกาะข้ามสายพันธุ์ได้ทั้งกับ TNFα ของมนุษย์ ลิงแสม และหนู ซึ่งเป็นคุณสมบัติที่จำเป็นสำหรับการทดลองในสัตว์ Anthropic ยอมรับตรง ๆ ว่ายังไม่รู้สาเหตุ และอธิบายว่าเมื่อประเมินความสามารถของโมเดล ทีมงานมองในภาพรวม การที่โมเดลที่เก่งน้อยกว่าจะทำได้ดีกว่าในบางจุดจึงไม่ใช่เรื่องน่าแปลกสำหรับงานที่ซับซ้อนขนาดนี้

อีกความสามารถที่สะท้อนว่าโมเดลเข้าใจโครงสร้างโปรตีนจริง คือการออกแบบตัวจับที่มีโครงสร้างแบบ β-sheet ตัวจับที่ออกแบบด้วยคอมพิวเตอร์ส่วนใหญ่มักเป็นมัดของเกลียว α-helix เพราะออกแบบง่ายกว่า ขณะที่ β-sheet ต้องให้สายกรดอะมิโนที่ยืดออกมาเรียงประกบกันพอดี ซึ่งพลาดง่ายทั้งเรื่องการพับผิดรูปและการจับตัวเป็นก้อน Claude ออกแบบตัวจับที่ยืนยันแล้วได้ 15 ชิ้นจาก 10 โครงร่างที่ต่างกัน ครอบคลุม 6 เป้าหมาย โดยแต่ละชิ้นมีสัดส่วนโครงสร้างแบบ β อย่างน้อย 20%

เป้าหมายที่ Claude ยังเอาไม่ลง

Anthropic ไม่ได้เล่าแต่ด้านที่สำเร็จ เป้าหมายอย่าง BBF-14 และ Maltose Binding Protein (MBP) ยังเป็นโจทย์ที่ยาก BBF-14 เป็นโปรตีนทรงถังที่ไม่มีอยู่ในธรรมชาติ เพราะมันถูกออกแบบขึ้นใหม่ทั้งหมด และถูกใช้เป็นโจทย์วัดผลก็เพราะความใหม่นี่เอง Claude ยังพอทำตัวจับออกมาได้ 3 ชิ้นจากคนละสายการทดลองและคนละโครงร่าง แต่เกาะได้แค่ระดับปานกลาง

ส่วน MBP หนักกว่านั้น มันเป็นโปรตีนแบคทีเรียขนาดใหญ่ที่ยืดหยุ่นและมีผิวเรียบชอบน้ำ คุณสมบัติที่ทำให้มันเป็นสารทดสอบชั้นดีในห้องแล็บ กลับทำให้แทบไม่มีจุดให้ตัวจับเกาะเลย ผลคือจากแบบทั้งหมด 90 ชิ้น ไม่มีชิ้นไหนยืนยันได้ว่าเกาะเป้าหมายได้จริง มีเพียงชิ้นเดียวที่ให้สัญญาณการเกาะอ่อน ๆ แบบที่ทำซ้ำได้

นอกจากนี้ยังมีเป้าหมายที่ 16 คือ GDF-8 แบบ Mature ที่ไม่ได้ถูกนำมารายงานผล เพราะข้อมูลจากการทดลองสรุปไม่ได้ จากปัญหาการจับตัวเป็นก้อนของโปรตีนเป้าหมายเอง Anthropic ระบุว่าจะทำการตรวจสอบเพิ่มเติมเพื่อยืนยันอัตราความสำเร็จและค่าความแน่นในการเกาะอีกครั้ง พร้อมเปิดเผยคำสั่งที่ใช้ โมเดลโครงสร้างของสารประกอบที่ออกแบบ และข้อมูลการทดลองทั้งหมดออกสู่สาธารณะ

ความสามารถแบบนี้มีสองด้านเสมอ

Anthropic พูดถึงประเด็นนี้ตรง ๆ ว่าความสามารถในการวิจัยแบบอัตโนมัติที่เพิ่มขึ้นเรื่อย ๆ ไม่ได้เร่งแค่การพัฒนายาและการค้นพบทางวิทยาศาสตร์ แต่ยังเป็นความสามารถแบบสองทาง (Dual-use) ที่ถ้าไม่มีมาตรการความปลอดภัยที่รัดกุมพอ ก็เปิดช่องให้ผู้ไม่หวังดีนำไปทำวิจัยที่เป็นอันตรายได้ เช่น การพัฒนาอาวุธชีวภาพ

ด้วยเหตุนี้ ความสามารถด้านการออกแบบโปรตีนและงานชีววิทยาที่เข้าข่ายสองทางจึงยังถูกปิดไว้ในโมเดลที่เก่งที่สุดอย่าง Claude Fable 5 สำหรับผู้ใช้ทั่วไป โดยบริษัทระบุว่าหนึ่งในเรื่องที่ให้ความสำคัญสูงสุดคือการเปิดโครงการให้นักวิทยาศาสตร์เข้าถึงความสามารถกลุ่มนี้ผ่านช่องทางที่ตรวจสอบแล้ว และจะมีรายละเอียดออกมาเร็ว ๆ นี้ ระหว่างนี้ Opus 5 ยังเป็นโมเดลที่เก่งที่สุดที่เปิดให้ใช้ทั่วไป

จากออกแบบโมเลกุล สู่การอ่านผลจากเครื่องมือจริง

การทดลองที่สองสลับโจทย์จากการสร้างโมเลกุลใหม่ มาเป็นการอ่านผลวัดของโมเลกุลที่ผลิตเสร็จแล้ว ซึ่งเป็นงานที่นักเคมีต้องทำซ้ำแล้วซ้ำเล่า ทุกครั้งที่สังเคราะห์โมเลกุลขึ้นมาหนึ่งตัว ต้องพิสูจน์ให้ได้ว่ามันคือสิ่งที่ตั้งใจจะสร้างจริงหรือไม่ และบริสุทธิ์แค่ไหน

เครื่องมือหลักคือ Nuclear Magnetic Resonance (NMR) Spectroscopy ซึ่งให้ผลออกมาเป็นชุดยอดสัญญาณ แต่ละยอดแทนอะตอมไฮโดรเจนหรือกลุ่มไฮโดรเจนที่เทียบเท่ากันในโมเลกุล ตำแหน่งของยอดบอกว่าไฮโดรเจนตัวนั้นเกาะอยู่กับอะไร ส่วนขนาดของยอดบอกว่ามันแทนไฮโดรเจนกี่ตัว งานที่กินเวลามากที่สุดคือการที่นักเคมีต้องนั่งจับคู่ทีละยอดกับอะตอมในโครงสร้างที่เสนอไว้ด้วยมือตัวเอง

อีกเครื่องมือคือ Liquid Chromatography-Mass Spectrometry (LC-MS) ที่ใช้วัดความบริสุทธิ์เป็นหลัก โดยแยกตัวอย่างออกเป็นองค์ประกอบย่อยขณะไหลผ่านคอลัมน์ วัดปริมาณแต่ละตัวจากการดูดกลืนแสงอัลตราไวโอเลต (Ultraviolet หรือ UV) แล้วจึงวัดมวลโมเลกุล จุดที่ทรมานไม่ใช่การรันเครื่อง เพราะ NMR ใช้เวลาเพียงสองถึงสามนาที และ LC-MS ราว 10 นาที แต่คือการแกะไฟล์ผลลัพธ์ที่ออกมาในรูปแบบเฉพาะของผู้ผลิตเครื่องแต่ละราย ซึ่งตั้งใจให้เปิดได้แค่ในซอฟต์แวร์ของผู้ผลิตรายนั้นเท่านั้น

Anthropic จึงส่งไฟล์ดิบจากห้องแล็บรับจ้างวิเคราะห์ตัวอย่างควบคุมคุณภาพตามปกติให้ Claude Opus 5 พร้อมคำสั่งภาษาชาวบ้านสั้น ๆ ไม่มีซอฟต์แวร์ของผู้ผลิต ไม่มีคนคุมเครื่อง คำสั่งฝั่ง NMR เขียนสั้นแค่ว่าให้แปลงสัญญาณดิบ ปรับเฟส แก้เส้นฐาน แสดงสเปกตรัม แล้วเลือกยอดสัญญาณพร้อมทำตารางค่าออกมา ส่วนฝั่ง LC-MS สั้นยิ่งกว่า คือให้ประมวลผลไฟล์ดิบ ดึงกราฟและสเปกตรัมมวลออกมา แล้วสรุปพร้อมภาพประกอบ

25 นาที เทียบกับรายงานที่มาถึงในสี่วัน

Claude ทำงานสองไฟล์ขนานกันใน Claude Science และส่งผลกลับมาที่ 23 นาทีสำหรับ NMR และ 19 นาทีสำหรับ LC-MS ผลที่ได้ตรงกับที่ห้องแล็บประมวลผลเอง จำนวนไฮโดรเจนต่อยอดสัญญาณต่างกันไม่เกิน 0.08 และค่าความบริสุทธิ์อยู่ที่ 96.4% เทียบกับ 96.33% ของห้องแล็บ

ฝั่ง NMR โมเดลแปลงข้อมูลดิบจากเครื่องเป็นสเปกตรัมที่ปรับเทียบแล้วพร้อมตารางยอดสัญญาณ 18 ยอด ระบุจำนวนไฮโดรเจนของแต่ละยอด จากนั้นทำสิ่งที่นักเคมีมืออาชีพจะทำ คือชี้ว่ามียอดสัญญาณกว้าง 4 ยอดที่น่าจะเป็นไฮโดรเจนที่เกาะอยู่กับไนโตรเจนหรือออกซิเจน แล้วเสนอวิธีตรวจสอบมาตรฐานคือให้เติมน้ำมวลหนัก (Heavy Water) ลงในตัวอย่างเพื่อสลับไฮโดรเจนกลุ่มนั้นออก ซึ่งจะทำให้ยอดสัญญาณหดหรือหายไป ที่น่าสนใจคือห้องแล็บก็รันการตรวจสอบแบบเดียวกันนี้ด้วยตัวเองหลังการวัดครั้งแรกสามวัน

เมื่อได้รับไฟล์ดิบจากรอบเติมน้ำมวลหนัก Claude วัดออกมาว่าอะไรเปลี่ยนไปบ้าง และจับได้เองว่าการอ่านผลรอบแรกของตัวเองพูดเกินจริง เพราะรายงานว่ายอดสัญญาณทั้ง 4 หายไปหมด ทั้งที่การตรวจซ้ำของตัวเองชี้ว่าหายไปเพียง 2 ยอด แล้วแก้ให้ถูกต้องจนได้ข้อสรุปตรงกับผู้ปฏิบัติงานของห้องแล็บ

ฝั่ง LC-MS ท้าทายกว่านั้น เพราะไฟล์จากเครื่องใช้รูปแบบเฉพาะของผู้ผลิตที่ไม่มีเอกสารกำกับ Claude ต้องแกะเองว่าข้อมูลถูกเข้ารหัสไว้อย่างไร แล้วยืนยันว่าอ่านไฟล์ถูกต้องด้วยการสร้างตัวเลขรวมที่เครื่องบันทึกไว้ขึ้นมาใหม่ให้ตรงกันครบทั้ง 2,664 รอบการสแกน ก่อนจะเริ่มวิเคราะห์อะไรก็ตาม ผลที่ส่งกลับมาครบทุกอย่างที่นักเคมีคาดหวัง ทั้งกราฟการแยกสาร สเปกตรัมมวลและ UV ตารางความบริสุทธิ์ มวลโมเลกุล ไปจนถึงโค้ดสำหรับอ่านไฟล์รูปแบบนี้ที่นำกลับไปใช้ซ้ำได้ พร้อมข้อควรระวังที่โมเดลเขียนกำกับไว้เอง เช่น การเตือนว่าเครื่องระดับนี้ให้ค่ามวลได้แค่หน่วยเต็มที่ใกล้ที่สุดเท่านั้น ผลสุดท้ายชี้ว่าสารตัวอย่างมีองค์ประกอบเดียวที่นาทีที่ 4.34 กินสัญญาณ UV ไป 96.4% และมีมวลโมเลกุล 504 ดาลตัน

เทียบกับการทำมือ นักเคมีต้องใช้เวลาราวครึ่งชั่วโมงถึงหนึ่งชั่วโมงต่อหนึ่งตัวอย่างสำหรับโมเลกุลขนาดเล็กที่เกี่ยวข้องกับการรักษา ขณะที่บันทึกของห้องแล็บเองระบุว่าใช้เวลาลงมือประมวลผล NMR ราวสองนาทีต่อสเปกตรัม และรายงาน LC-MS ตามมาหลังใส่ตัวอย่างเข้าเครื่องประมาณสองชั่วโมง ส่วนรายงานฉบับสมบูรณ์ของตัวอย่างชิ้นนี้มาถึงหลังการวัดสเปกตรัมครั้งแรกสี่วัน ซึ่งถือว่าปกติสำหรับห้องแล็บที่วิเคราะห์ทีละโมเลกุลและมีงานอื่นแทรกระหว่างทาง

ทำไมสองการทดลองนี้ถึงสำคัญ?

สิ่งที่ Anthropic พยายามชี้ให้เห็นจากทั้งสองกรณี คือ AI กำลังลดทั้งความเชี่ยวชาญ ต้นทุน และเวลาที่ต้องใช้ในการค้นพบทางวิทยาศาสตร์ ฝั่งเคมีคือการทำงานที่นักเคมีเคยต้องนั่งทำด้วยมือให้เป็นอัตโนมัติ ส่วนฝั่งโปรตีนคือการที่โมเดลเดินแคมเปญออกแบบตัวจับได้ครบวงจรโดยแทบไม่ต้องมีคนป้อนอะไรเพิ่ม และได้ผลลัพธ์ที่เทียบเท่าหรือดีกว่าแบบที่เคยตีพิมพ์มา

บริษัทก็ยอมรับข้อจำกัดว่า Minibinder ไม่ใช่รูปแบบยามาตรฐาน และแม้แต่กับรูปแบบยาที่ใช้กันทั่วไปอย่างแอนติบอดีชนิดโมโนโคลนอลหรือโมเลกุลขนาดเล็ก การออกแบบตัวจับที่เกาะแน่นก็เป็นเพียงก้าวแรกของการสร้างโมเลกุลให้กลายเป็นยาได้จริง แต่ Anthropic มองงานชุดนี้เป็นรากฐาน และกำลังต่อยอดให้ Claude รันกระบวนการพัฒนายาได้ตั้งแต่ต้นจนจบในทุกรูปแบบยา

เวลานี้ Anthropic เปิดเผยคำสั่งที่ใช้ในแคมเปญออกแบบโปรตีน รวมถึงข้อมูลการทดลองทั้งในหลอดทดลองและบนคอมพิวเตอร์ทั้งหมดแล้วบน Hugging Face พร้อมรายงานทางเทคนิคฉบับเต็ม ส่วนงานวิเคราะห์ทางเคมีนั้นผู้ใช้ทั่วไปทดลองเองได้แล้วผ่าน Claude Science ด้วยการอัปโหลดไฟล์ดิบจาก NMR หรือ LC-MS แล้วสั่งให้โมเดลยืนยันชนิดและความบริสุทธิ์ของสารประกอบ ขณะที่ความสามารถด้านการออกแบบโปรตีนยังปิดอยู่สำหรับผู้ใช้ทั่วไป

ที่มา: Anthropic, Anthropic Technical Report, Hugging Face Dataset, Adaptyv Bio, Twist Bioscience