Claude projektuje białka. Przełom czy narzędzie?

Projektowanie białek od podstaw, bez szukania ich w naturze, to proces, który do niedawna wymagał tygodni pracy ekspertów i kosztownej infrastruktury. Anthropic pokazuje jednak, że tę żmudną ścieżkę można skrócić do 48 godzin. Firma opublikowała raport techniczny, w którym jej modele – Mythos Preview i Opus 4.8 – samodzielnie przeprowadziły cały cykl projektowania białek wiążących, korzystając wyłącznie z otwartych narzędzi. To nie jest kolejny model AI do przewidywania struktur, lecz system, który zarządza całym procesem: od wyboru miejsca wiązania, przez instalację specjalistycznego oprogramowania, po ranking gotowych kandydatów.

Jak model językowy zarządza pracą specjalistycznych narzędzi

Anthropic nie stworzyło własnego modelu do projektowania białek. Claude instalował i uruchamiał wyłącznie otwarte programy, których naukowcy używają od lat. Szkielety białek, czyli ich przestrzenne rusztowania, pochodziły z siedmiu różnych generatorów – od PXDesign, przez RFdiffusion3, po Genie 3. Sekwencje aminokwasów, które tworzą te struktury, wyliczał głównie SolubleMPNN. Do filtrowania i rankingu kandydatów Claude używał zestawu narzędzi przewidujących, czy dane białko połączy się z celem: ESMFold2, ESMFold2-Fast oraz Protenix v2.

Co istotne, z licencji wykluczono ciężkie działa pokroju AlphaFold-3, Rosetta czy ESM3. Cały system działał na bazie promptu systemowego liczącego około 16 tysięcy słów. Tylko jedna trzecia tego tekstu to wskazówki naukowe i lista lektur. Reszta dotyczy harmonogramu, delegowania zadań do pod-agentów, weryfikacji wyników i dyscypliny budżetowej. Co ciekawe, prompt nie wskazywał, do której części białka-cele model ma się przyczepić – tak zwany epitop pozostał decyzją modelu.

Koszt kampanii wielocelowej wyniósł 50 tysięcy dolarów, a pojedynczy cel to wydatek rzędu 10 tysięcy. Całość przetwarzano w chmurze Modal. Rola człowieka ograniczyła się do wyboru celów, napisania promptu, zamówienia syntezy i interpretacji danych. W trakcie całego procesu potrzebne były jedynie krótkie, nietechniczne instrukcje, na przykład po awarii infrastruktury.

Wyniki, które robią wrażenie, ale wymagają kontekstu

Modele zaprojektowały białka wiążące się z 16 białkami docelowymi. W 15 przypadkach uzyskano użyteczne pomiary, a Claude osiągnął sukces w 14 z nich. Z 1320 projektów przetestowanych w laboratorium, 354 faktycznie związały się ze swoim celem, co daje skuteczność na poziomie 26,8 procent. Gdy jednak spojrzeć wyłącznie na projekty, które Claude sam sklasyfikował najwyżej, wskaźnik sukcesu rośnie do 49 procent.

Tryb wielocelowy, w którym wszystkie białka obsługiwano jednocześnie w ciągu 48 godzin, przyniósł skuteczność 26,7 procent dla Mythos Preview i 22,6 procent dla Opus 4.8. Gdy Mythos Preview pracował nad każdym celem osobno, wynik wzrósł do 35,1 procent, ale kosztem 2,8-krotnie większego budżetu obliczeniowego na cel. Autorzy raportu otwarcie przyznają, że skupienia i budżetu nie da się w tym przypadku rozdzielić.

Dla porównania, typowy zakres skuteczności w publicznych kampaniach udokumentowanych w bazie proteinbase.com wynosi dziś od 10 do 15 procent. Wyniki Anthropic wyglądają więc imponująco. Najbardziej wymowny jest przypadek białka RBX1, części kompleksu enzymatycznego kontrolującego rozkład innych białek w komórce. W otwartym konkursie projektowym tylko 9 z 245 kandydatów związało się z tym celem. Z Claude’em było to 28 z 90.

Anthropic odtworzył nawet zwycięski projekt z tego konkursu i sprawdził go na tej samej płytce testowej. Wiązał się on z siłą 45 nM, podczas gdy najlepszy projekt Claude’a osiągnął 3,9 nM – czyli około dziesięciokrotnie mocniej. Wartość KD, czyli siła wiązania, ma ogromne znaczenie w medycynie, bo im niższa, tym mniejsza dawka leku jest potrzebna do osiągnięcia efektu.

Gdzie AI zawodzi i jakie są granice tej metody

Nie wszystkie cele okazały się łatwe. TNFα, białko odpowiedzialne za stany zapalne i cel pięciu zatwierdzonych leków biologicznych, w tym Humiry, uchodzi za wyjątkowo trudne. Wcześniejsze podejścia projektowe notowały tam zero trafień. Claude wyprodukował 12 białek z 150 projektów, wszystkie autorstwa Opus 4.8. Warto jednak zauważyć, że te dwanaście wyników pochodzi z zaledwie czterech różnych rusztowań, więc są mniej niezależne, niż sugerowałaby liczba.

Dwa cele pokazały wyraźne ograniczenia metody. BBF-14 to wymyślone komputerowo białko w kształcie beczki, które nie występuje w naturze, więc nie ma historii ewolucyjnej, na której można by się oprzeć. Z kolei bakteryjne białko MBP ma gładką, hydrofilową powierzchnię, do której trudno cokolwiek przyczepić. Przeciw BBF-14 zadziałały tylko trzy słabo wiążące projekty, a przeciw MBP – żaden z 90. Co niepokojące, wskaźniki pewności z narzędzi przewidujących fałdowanie nie ostrzegły przed tymi porażkami – projekty przeciw MBP i BBF-14 otrzymały niemal identyczne wyniki jak te przeciw celom, które zakończyły się sukcesem.

Pozytywnym zaskoczeniem jest fakt, że 130 z 233 przetestowanych białek wiązało się również z mysimi wersjami białek docelowych, mimo że to był tylko drugorzędny cel w prompcie. To praktycznie istotne, bo leki testuje się najpierw na zwierzętach.

Analiza chemiczna w 25 minut i otwarte dane

Drugi eksperyment dotyczył interpretacji danych analitycznych. Opus 5 przetwarzał surowe dane z dwóch standardowych pomiarów: spektroskopii NMR, która pokazuje, czy chemicy otrzymali substancję, którą chcieli, oraz chromatografii cieczowej ze spektrometrią mas (LC-MS), która ujawnia czystość próbki. Oba instrumenty generują pliki w zastrzeżonych formatach, zwykle analizowane ręcznie w oprogramowaniu producenta. Claude poradził sobie z tym w 23 i 19 minut. Co więcej, dla pliku LC-MS model nie znalazł odpowiedniego programu do odczytu i samodzielnie zdekodował format, a następnie dokładnie odtworzył wartości podsumowujące dla wszystkich 2664 punktów pomiarowych.

W analizie NMR Claude zaproponował ten sam eksperyment uzupełniający, który laboratorium przeprowadziło niezależnie trzy dni po pierwszym pomiarze. Model poprawił też własny błąd – najpierw zgłosił cztery brakujące sygnały, ale wewnętrzna kontrola wykazała dwa. Często cytowane wartości czystości 96,4 i 96,33 procent opierają się na różnych bazach odniesienia. Liczone metodą laboratorium, Claude osiągnąłby 98,8 procent.

Co tak naprawdę jest nowe w tym podejściu

Przewidywanie struktur białek i generowanie nowych białek to ugruntowana dziedzina od czasów AlphaFold, RFdiffusion i BindCraft. Właściwą pracę projektową wykonały tu te same narzędzia. Nowością jest warstwa nad nimi. To ogólny model językowy zbadał biologię każdego celu, wybrał miejsce dokowania, samodzielnie zainstalował programy z publicznych repozytoriów, połączył je w 24 różnych przepływach pracy i dostarczył gotowy ranking bez udziału człowieka w jakiejkolwiek decyzji projektowej.

Autorzy raportu sami wskazują ograniczenia. Nie przeprowadzono równoległej kampanii z udziałem ludzkich ekspertów jako grupy kontrolnej. Nie twierdzą też, że projekty Claude’a są lepsze od tego, co osiągnęliby specjaliści z tymi samymi narzędziami i budżetem. Dla czterech z sześciu celów konkursowych wyniki konkursu znajdowały się na liście lektur modelu. Mierzono wyłącznie, czy białka się wiążą, a nie ich faktyczny kształt przestrzenny czy efekt biologiczny. Żaden projekt nie został rozwiązany strukturalnie, a wszystkie modele wiązania to przewidywania. Każda kombinacja modelu, formatu i celu działała też dokładnie raz, więc nie da się oddzielić różnic między modelami od przypadku.

Wreszcie, duża część ludzkiej wiedzy eksperckiej siedzi w samym prompcie. Anthropic opublikował jednak wszystkie prompty, dane projektowe i zestawy pomiarowe na Hugging Face, więc kampanię można w zasadzie odtworzyć, a dane wykorzystać jako benchmark. To otwiera drzwi do sprawdzenia, czy ta metoda rzeczywiście zdemokratyzuje projektowanie białek, czy pozostanie domeną firm stać na 50-tysięczne kampanie.

Przyszłość projektowania białek może więc wyglądać zupełnie inaczej. Jeśli model językowy potrafi zarządzać całym stackiem specjalistycznych narzędzi, a wyniki mówią same za siebie, to rola człowieka przesuwa się z żmudnej pracy operacyjnej w stronę stawiania celów i interpretacji rezultatów. Pytanie brzmi, czy kolejne iteracje tych modeli poradzą sobie z białkami, które nie mają odpowiedników w naturze, i czy wskaźniki pewności w końcu zaczną ostrzegać przed porażkami, zamiast mylić się w milczeniu.

Źródło

Może Cię zainteresować