devgo.cn想象一个场景：你是一家生物技术公司的研究员，想针对某种蛇毒或蝎毒开发一种中和蛋白。传统做法是给马注射毒素、等几个月、从马血里纯化抗体，成本高、周期长，而且针对的毒素种类有限。现在，一个 AI 智能体在 64 小时内生成了 31 万个蛋白质设计，从中挑出 180 个送实验室验证，最终 17 个成功结合目标毒素，其中最强的两个结合亲和力达到纳摩尔级别。这不是科幻，而是 Anthropic 团队最近公布的真实实验——他们让 Claude 在最小人类干预下，自主完成了从靶点选择、蛋白质设计、筛选到实验方案制定的完整流程，目标是设计能结合蝎子神经毒素的蛋白质结合器（minibinder，一种能紧密附着在特定靶标上的小型蛋白质），为未来开发抗蝎毒血清铺路。
这个实验的起点很朴素：蝎子每年蜇伤约 120 万人，导致超过 3250 人死亡，受害者大多是医疗资源匮乏地区的儿童。但开发新疗法的成本高昂，且很难收回研发投入，所以蝎子蜇伤被归为“被忽视的热带病”——没人愿意投钱。Anthropic 的团队和金融研究公司 Citrini Research 合作，想验证一个更宏大的问题：一个由非专家组成的团队，能否借助 AI 药物发现工具，真正解决一个人类健康难题？
实验的设计思路很清晰。他们选了来自四个地区的五种蝎毒神经毒素作为靶标：墨西哥的 Cn2、巴西的 Ts1、北非的 AaH I 和 AaH II、中东的 LqhIII。这些毒素之所以危险，是因为它们会附着在神经细胞膜上的钠通道（一种控制神经信号发放的蛋白质）上，导致神经异常放电，释放大量肾上腺素等应激激素，严重时可引发心力衰竭和肺水肿。Claude 的任务是设计出能抢先结合这些毒素、阻止它们接触钠通道的蛋白质。
整个过程中 Claude 展现了惊人的自主性。它从蛋白质数据库（PDB，一个存储蛋白质三维结构的公共数据库）和 AlphaFold 数据库（AFDB，一个包含预测蛋白质结构的数据库）中挑选用于设计的毒素结构，为每种毒素选定五个热点残基（毒素上特定的氨基酸位置，设计出的结合器需要附着在这些位置），设定质量阈值，决定如何使用 12 种不同的设计工具，甚至自己制定了针对多种毒素设计结合器的策略。在 64 小时里，Claude 生成了 318,484 个蛋白质设计，筛选出 180 个送测，整个过程消耗了约 10,000 GPU 小时。
最让我意外的是 Claude 的工作节奏。在收到初始提示后的前 24 小时，它完全自主运行。研究团队只给了四次后续提示，主要目的是引导它尝试设计能同时结合多种毒素的“多毒素结合器”——如果能设计出这种分子，就能大幅减少通用抗蛇毒血清所需的成分数量，这是最具成本效益的治疗方案。但结果并不理想：17 个成功结合靶标的结合器全部是单毒素特异性的，没有一个多毒素设计能同时结合两种以上毒素。团队推测这可能与当前模型能力、提示方式、设计工具的限制，甚至多毒素设计本身的生物学可行性有关。
实验验证环节同样严谨。Anthropic 与两家合同研究机构（CRO，即受委托提供研发服务的机构）Adaptyv Bio 和 Twist Bioscience 合作。Adaptyv Bio 用无细胞系统（利用从细菌中提取的蛋白质合成机器，而非活细胞）表达设计，Twist Bioscience 则在哺乳动物细胞（人肾细胞）中表达。两家实验室都用表面等离子共振（SPR，一种实时监测分子结合与解离的技术）测量结合强度，得到解离常数（KD，衡量结合强弱的指标，数值越低表示结合越紧密）。判定标准很严格：必须在两家实验室都显示结合信号，且 KD 值不高于 1 微摩尔，同时不能与无关人类蛋白 CLEC12A 发生非特异性结合。
最强的两个结合器 Cn2-B1 和 Cn2-B2 靶向墨西哥蝎 Centruroides noxius 的毒素 Cn2，在两家实验室都表现出个位数纳摩尔级别的亲和力。更有意思的是竞争实验：这两个结合器与一个已知能中和 Cn2 的抗体 LR 竞争同一个结合位点（epitope，即抗体或结合器在靶标上的附着区域），而 LR 的结合位点恰好覆盖了 Cn2 与钠通道结合的关键区域。这意味着 Cn2-B1 和 Cn2-B2 很可能也能中和毒素，尽管团队尚未在细胞或动物层面验证。
这个实验最值得关注的价值在于它展示了 AI 智能体在药物发现中的范式转变。传统蛋白质设计需要专家团队数月的工作，而 Claude 在几天内完成了从靶点选择到候选设计的全流程。17/211 的命中率（单毒素设计中 18% 的命中率）与常规蛋白质设计项目相当，包括团队之前的工作。但必须清醒看到局限：这些结合器只针对重组毒素（在实验室从基因表达出的毒素，而非从毒液中纯化的天然毒素）验证了结合，没有测试中和效果，距离真正的抗蝎毒药物还有很长的路。正如外部专家所言，这是一个有前景的第一步。
对开发者而言，这个案例的启发不限于生物领域。它展示了一个通用模式：如何用 AI 智能体处理一个需要多步骤决策、工具调用和迭代优化的复杂任务。Claude 在这里扮演的角色类似于一个自主的研发工程师——它选择工具、设定标准、迭代优化、甚至撰写报告。这种“智能体驱动的研究”模式，可以迁移到其他需要探索巨大搜索空间的场景，比如新材料发现、分子设计、甚至代码优化。当然，坑也很明显：多毒素设计的失败提醒我们，AI 的能力边界仍然存在，而且实验验证环节的成本和周期依然是瓶颈。把 AI 生成的结果当作起点而非终点，用严格的实验标准去验证，才是务实的做法。团队已公开全部 211 个设计和数据，供领域内其他研究者在此基础上继续推进。
内容与图片版权归原作者所有 · 原文: https://www.anthropic.com/research/claude-scorpion-toxin-binder-design