خلاصهٔ نتایج کلیدی

Anthropic با بهره‌گیری از مدل‌های زبانی Claude (Mythos Preview و Opus 4.8) چرخهٔ کامل طراحی de novo پروتئین—از تولید اسکافولد تا انتخاب و رتبه‌بندی نامزدها و تا مرحلهٔ تولید و آزمون آزمایشگاهی—را به‌صورت خودکار یا نیمه‌خودکار اجرا کرده است. از 1,320 طراحی ساخته‌شده، 354 مورد اتصال نشان دادند (نرخ موفقیت 26.8%). در طراحی‌هایی که Claude آن‌ها را در رتبهٔ اول قرار داده بود، نرخ موفقیت تا 49% افزایش یافت.

چکیدهٔ روش و نتایج

Anthropic با هماهنگ‌سازی مجموعه‌ای از ابزارهای متن‌باز زیست‌مولکولی و استفاده از مدل‌های زبانی، جریان کاری طراحی و انتخاب minibinder را پیاده‌سازی کرد. این جریان شامل تولید اسکافولد، طراحی زنجیرهٔ اسیدآمینه، فیلتر و رتبه‌بندی و نهایتاً سفارش سنتز و آزمون‌های بیوفیزیکی بود. نتایج آزمایشگاهی روی مجموعه‌ای از اهداف پروتئینی نشان‌دهندهٔ نرخ‌های موفقیت چشمگیر در مقایسه با بازهٔ معمول صنعت بود.

آمار کلی

  • تعداد اهداف: 16 پروتئین هدف; برای 15 هدف، داده‌های قابل استفاده به‌دست آمد.
  • نمونه‌ها و نرخ‌ها: از 1,320 طراحی ساخته‌شده، 354 طراحی اتصال نشان دادند (26.8%). در زیرمجموعه‌ای که Claude آن‌ها را رتبهٔ اول قرار داده بود، نرخ موفقیت 49% گزارش شد.
  • مقایسهٔ حالت‌ها: در اجرای چندهدفه (تمام اهداف در 48 ساعت) نرخ موفقیت برای Mythos Preview برابر 26.7% و برای Opus 4.8 برابر 22.6% بود. اجرای جداگانهٔ هر هدف با Mythos Preview نرخ را به 35.1% رساند اما هزینهٔ محاسباتی را 2.8 برابر افزایش داد.

فرایند کاری: مدل زبانی به‌عنوان هماهنگ‌کنندهٔ ابزارها

به‌جای توسعهٔ یک مدل پروتئینی اختصاصی، Claude ابزارهای متن‌باز رایج در زیست‌مولکولی را نصب، اجرا و مدیریت کرد. مراحل اصلی عبارت بودند از:

  • تولید اسکافولدها (backbones) با استفاده از ابزارهایی مانند PXDesign، RFdiffusion3 و Genie 3.
  • طراحی زنجیرهٔ اسیدآمینه عمدتاً با SolubleMPNN (گونه‌ای از ProteinMPNN).
  • فیلتر و رتبه‌بندی با ESMFold2، ESMFold2-Fast و Protenix v2.

به‌دلایل مجوزی، وزن‌های برخی موتورهای پیش‌بینی مانند AlphaFold-3، Rosetta و ESM3 در این فرایند لحاظ نشدند. کنترل فرایند توسط یک پرومپت پروتکل تقریباً 16,000 کلمه‌ای انجام شد که وظایف زیرعامل‌ها، زمان‌بندی، راستی‌آزمایی و کنترل بودجه را تعریف می‌کرد. بودجهٔ اعلام‌شده برای کمپین چندهدفه حدود 50,000 دلار و برای هر هدف تک‌فرد حدود 10,000 دلار بود؛ اجرا از طریق ارائه‌دهندهٔ ابری Modal صورت گرفت.

نمای شماتیک جریان کار Claude در طراحی پروتئین

اعتبارسنجی مستقل و نمونه‌های موردی

طراحی‌ها توسط آزمایشگاه‌های قراردادی Adaptyv Bio و Twist Bioscience سنتز و بیوفیزیکی آزمون شدند. قدرت اتصال با KD (نانومولار) گزارش شده است؛ KD کوچکتر نشان‌دهندهٔ اتصال قوی‌تر است. نتایج وابسته به هدف بودند: برای مثال، در گیرندهٔ ایمنی TREM2، 72 از 90 طراحی اتصال نشان دادند؛ در VEGF-A، 54 از 90 موفق بودند.

نمونهٔ برجستهٔ دیگر هدف RBX1 است؛ در یک رقابت طراحی پیشین تنها 9 از 245 نامزد موفق شده بودند، اما Claude توانست 28 از 90 طراحی موفق تولید کند. Anthropic همچنین طراحی برندهٔ مسابقهٔ پیشین را بازسازی و روی همان پلیت آزمایش کرد: طراحی برنده KD برابر 45 نانومولار نشان داد، در حالی که بهترین طراحی Claude KD برابر 3.9 نانومولار ثبت کرد — تقریباً ده برابر اتصال محکم‌تر.

ملاحظات، محدودیت‌ها و نقش انسان

  • نقش انسان: متخصصان انسانی در انتخاب اهداف، نهایی‌سازی پرومپت، سفارش سنتز و تفسیر نتایج دخیل بودند؛ مدل به‌عنوان هماهنگ‌کنندهٔ ابزارها عمل کرد اما تصمیم‌گیری نهایی با انسان انجام شد.
  • محدودیت‌های مجوزی: استفاده از ابزارهای متن‌باز به معنی عدم استفاده از برخی وزن‌های پیشرفته است که می‌تواند هم محدودیت و هم مزیت از منظر در دسترس‌پذیری ایجاد کند.
  • وابستگی به منابع: نرخ موفقیت به بودجهٔ محاسباتی و زمان اختصاص‌یافته بستگی دارد؛ حالت‌های چندهدفه سریع‌تر اما با نرخ کمی پایین‌تر همراه بودند. Anthropic به پایگاه دادهٔ عمومی ProteinBase اشاره کرده که بازهٔ معمول صنعت را بین 10 تا 15% نشان می‌دهد.

پیامدها برای دسترسی و آیندهٔ طراحی مولکولی

در صورت تأیید مستقل نتایج، این روش می‌تواند آستانهٔ ورود به طراحی مولکولی را برای آزمایشگاه‌های دانشگاهی و شرکت‌های کوچک کاهش دهد. به‌جای نیاز به تیم‌های گستردهٔ مهندسی و هفته‌ها هماهنگی ابزارها، یک عامل زبانی می‌تواند مجموعه‌ای از ابزارهای موجود را در یک جریان کاری منسجم اجرا کند و نامزدهای قابل آزمایش تولید نماید؛ این امر می‌تواند زمان و هزینه‌های پیش‌بالینی را کاهش دهد و تولید سریع نامزدهای باکیفیت را ممکن سازد.

گام‌های بعدی و منابع

گام ضروری بعدی بازبینی مستقل داده‌ها و آزمون تکرارپذیری توسط گروه‌های ثالث است. در صورت تکرار نتایج، ترکیب مدل‌های زبان بزرگ با ابزارهای متن‌باز می‌تواند به روش استاندارد در طراحی داروهای مرحلهٔ اولیه تبدیل شود.

منابع و مراجع: صفحات مرتبط با شرکت Anthropic و پروژه‌های مرتبط در ویکی‌پدیا و پایگاه دادهٔ ProteinBase برای مشاهدهٔ جزئیات کمپین‌ها و داده‌های مستندسازی‌شده.