Claude projektuje białka lepiej niż naukowcy. Wyniki szokują branżę

Modele sztucznej inteligencji Claude wykazały zdolność do autonomicznego projektowania białek wiążących z wynikami przewyższającymi standard branżowy o 200–300 procent. W kampanii badawczej Claude Mythos Preview i Opus 4.8 wygenerowały funkcjonalne struktury dla 14 z 15 zaplanowanych celów terapeutycznych, osiągając skuteczność na poziomie 22,6–35,1 proc., podczas gdy tradycyjne metody projektowania zazwyczaj uzyskują 10–15 proc. wskaźnika powodzenia.

Gdzie AI wygrało zdecydowanie

Najtłumaczący rezultat pochodzi z projektu RBX1. Claude Mythos osiągnął tutaj 40 proc. skuteczności — to ponad dziesięciokrotnie lepiej niż wynik konkursu branżowego (3,7 proc.). Wygenerowane przez model białka wykazywały zdolność wiązania na poziomie 3,9 nanomolow, co stanowiło dziesięciokrotnie silniejsze wiązanie w porównaniu do projektów opracowanych przez doświadczonych naukowców (45 nanomolow).

Projekt TREM2 pokazał podobnie imponujące rezultaty. Z 90 zaprojektowanych struktur aż 72 wykazały potwierdzoną zdolność wiązania, co daje wskaźnik powodzenia na poziomie 80 proc. — wynik znacznie przewyższający typowe oczekiwania w tej dziedzinie.

Kolejny cel, TNFα, demonstruje uniwersalność podejścia AI. Claude Opus 4.8 zdołał wygenerować białka wiążące się z cząsteczkami docelowymi u trzech różnych organizmów — człowieka, małp i myszy — co wskazuje na potencjał do projektowania terapii o szerszym spektrum działania.

Przyspieszenie analizy laboratoryjnej

Poza projektowaniem struktur, modele Claude wykazały niezwykłą wydajność w interpretacji danych eksperymentalnych. Claude Opus 5 przeanalizował złożone spektroskopowe dane NMR w zaledwie 23 minuty — zadanie, które laboratorium zajmuje zwykle cztery dni robocze. Analogicznie, analiza chromatografii LC-MS zajęła modelowi 19 minut wobec standardowych czterech dni.

Dokładność tych analiz była porównywalna z pracą człowieka. Czystość substancji oszacowana przez AI wyniosła 96,4 proc., podczas gdy laboratorium potwierdziło 96,33 proc. — różnica mieści się w granicach błędu pomiarowego.

Gdzie system zawiódł

Nie wszystkie projekty przebiegły pomyślnie. Z 1320 zaprojektowanych struktur zsyntetyzowano i zweryfikowano laboratoryjnie 354 białka, co daje ogólny wskaźnik powodzenia na poziomie około 27 proc. — imponujący, ale nie stuprocentowy.

Dwa cele okazały się nieosiągalne dla systemu. Projekt MBP nie przyniósł żadnego potwierdzonego laboratoryjnie białka wiążącego, podobnie jak BBF-14. Te niepowodzenia sugerują, że choć AI radzi sobie nadzwyczajnie dobrze w wielu scenariuszach, istnieją biologiczne lub strukturalne ograniczenia, które model nie potrafi przezwyciężyć.

Cel terapeutyczny	Liczba projektów	Potwierdzone wiążące	Skuteczność	Uwagi
RBX1	—	—	40%	10x lepsze wiązanie niż projekt człowieka
TREM2	90	72	80%	Wysoki wskaźnik powodzenia
TNFα	—	—	✓	Wiąże się u trzech organizmów
MBP	90	0	0%	Brak potwierdzenia laboratoryjnego
BBF-14	—	—	0%	Brak potwierdzenia laboratoryjnego
Łącznie	1320	354	~27%	Zsyntetyzowane i zweryfikowane

Koszty i dostęp

Całą kampanię projektowania białek przeprowadzono przy budżecie 10–50 tys. dolarów. To kwota znacznie poniżej kosztów tradycyjnych projektów badawczych, choć wciąż wymaga zaangażowania zasobów obliczeniowych i ekspertyzy naukowej.

Dostęp do Claude Mythos Preview i Fable 5 pozostaje ograniczony dla naukowców. Anthropic zapowiedziała jednak uruchomienie dedykowanego programu dostępowego dla zweryfikowanych badaczy, co może znacznie rozszerzyć praktyczne zastosowanie technologii w badaniach akademickich i przemysłowych.

Co to oznacza dla przyszłości medycyny

Wyniki te dowodzą, że sztuczna inteligencja może przejąć znaczną część pracy projektowania białek — etapu, który tradycyjnie wymagał miesięcy eksperymentów i doświadczenia. Przyspieszenie analizy danych z dni na minuty zmienia ekonomikę badań biomedycznych.

Jednak kluczowe jest zrozumienie limitacji. Projektowanie białek to pierwszy etap długiego procesu — nie zastępuje badań klinicznych, testów bezpieczeństwa ani zatwierdzenia przez organy regulacyjne. Niepowodzenia w projektach MBP i BBF-14 pokazują, że AI nie jest panaceum na każdy problem biologiczny.

Dla polskich instytucji naukowych i firm biotechnologicznych dostęp do takich narzędzi będzie decydujący. Ograniczona dostępność Claude Mythos Preview może stanowić barierę, ale planowany program dostępowy Anthropic otwiera perspektywę włączenia polskich badaczy do tego ekosystemu.