Claude сократил выделение белковых частиц vault с 3 дней до 90 минут

Сорок лет учёные изучают vault-частицы — крупные полые белковые капсулы внутри клеток, — но так и не поняли, зачем они нужны. Anthropic рассказала, как Claude помог сдвинуть дело с мёртвой точки: агент проанализировал базу из 15 млрд белковых последовательностей, помог подготовить эксперименты, и в итоге выделение частиц в лаборатории сократилось с 3 дней до 90 минут. Представьте сборку проекта, которую раньше ждали трое суток, а теперь она идёт полтора часа: примерно такой выигрыш получили биологи, у которых каждая попытка стоит времени и дорогих реактивов. Для тех, кто строит ИИ-агентов, это редкий пример, где рядом лежат и сильные цифры, и честный список ошибок.

Что за частицы и почему о них спорят

Vault-частицы обнаружили в 1986 году. Они напоминают полые капсулы, и предполагается, что участвуют во внутриклеточном транспорте и защите клеток. Точная функция неизвестна до сих пор.

В новой работе исследователи с помощью Claude впервые восстановили трёхмерную структуру vault-подобной частицы, найденной у прокариот — организмов без клеточного ядра. Роль частицы это не раскрыло: авторы прямо пишут, что биологическая функция остаётся загадкой. Но знание формы и состава — первый шаг, без которого о назначении можно только гадать.

Что именно делал Claude

Задачи были разнородными. Claude перебрал 15 млрд белковых последовательностей, помог спроектировать ДНК-конструкции, оптимизировать лабораторные процедуры и обработать данные криоэлектронной микроскопии — снимков, из которых собирают 3D-модель белка. Он работал в мультиагентной системе, запускал специализированное ПО RELION и обрабатывал данные на вычислительном кластере.

Результаты в цифрах:

• выделение частиц ускорили с 3 дней до 90 минут;
• первую 3D-модель получили за 34 часа вместо нескольких недель;
• найденная структура состоит из 96 копий белка, её масса — около 9,5 мегадальтона (это порядка 9,5 млн масс атома водорода);
• весь исследовательский цикл занял менее 4 месяцев.

Важно, что агент не просто отвечал в чате. Он был встроен в рабочий процесс: искал по огромной базе, предлагал протоколы, запускал профессиональный софт и разбирал результаты. Именно такой сценарий сегодня пытаются воспроизвести в продуктовых агентах, только здесь среда дороже и строже к ошибкам.

Где агент ошибался и что из этого следует

Самое полезное в отчёте — раздел про сбои. Одна неудачная рекомендация Claude задержала эксперименты на две недели. Пропущенный этап обработки привёл к неправильной 3D-карте. В лаборатории такие ошибки нельзя откатить как коммит в репозитории: они съедают недели и материалы.

Практический вывод простой. Если агент ускоряет рутину в разы, но иногда молча пропускает шаг, ценность системы зависит и от того, как быстро человек заметит промах. Красивая итоговая модель не доказывает, что все этапы были пройдены, поэтому точки проверки нужны после дорогих и необратимых шагов, а не только в конце. Полезно и журналирование действий агента: по нему видно, какой этап пропущен.

Второй вывод касается экономики. Главный выигрыш здесь — сжатие длинных цепочек рутинных шагов, а не разовые умные ответы. Дайте агенту реальные инструменты и вычислительные ресурсы, но оставьте человека в роли проверяющего: Anthropic подчёркивает, что ИИ-агенты выполняют значительную часть сложной научной работы под контролем исследователей.

Есть и оговорки. Это отчёт самой Anthropic о своей модели, независимой оценки в нём нет. Сравнения вроде «вместо нескольких недель» относятся к конкретному проекту, и переносить их на любую лабораторию было бы опрометчиво. Зато пример показывает реалистичную картину: агент может многократно ускорить науку, но не заменяет учёного, а превращает его в редактора и контролёра.