Claude за 64 часа нашёл 17 белков, связывающих токсины скорпионов

Если вы когда-нибудь собирали сложный агентный процесс, картина знакомая: модель получает цель, находит данные, вызывает десяток инструментов, проверяет промежуточные результаты и постепенно сужает поиск. Только здесь результатом стал не отчёт и не pull request, а 211 новых белковых конструкций, которые затем изготовили и проверили две лаборатории.

Исследовательская модель Anthropic за 64 часа провела кампанию по поиску белков, способных связываться с пятью нейротоксинами скорпионов. Claude сгенерировал 318 484 варианта, проверил вычислительными методами 553 052 пары «белок — токсин» и отобрал 180 кандидатов. Люди при участии модели добавили ещё 31 конструкцию. Из итоговых 211 белков лабораторные критерии прошли 17.

Это не готовое противоядие. Но эксперимент хорошо показывает, где агентные системы уже полезны на практике, а где презентация всё ещё опережает реальность.

Что именно делал Claude

Представьте задачу как поиск ключа для очень сложного замка. Токсин — это замок, а небольшой искусственный белок — ключ, который должен крепко зацепиться за нужную поверхность. Если связать участок, которым токсин присоединяется к натриевому каналу нервной клетки, теоретически можно помешать ему выполнить свою работу.

Люди задали цели, доступные инструменты, правила новизны и базовые ограничения. После исходного запроса понадобились ещё четыре уточнения. Дальше Claude искал структуры токсинов в открытых базах, выбирал точки связывания, назначал пороги качества, комбинировал 12 инструментов проектирования и формировал список для физического синтеза. Первые сутки модель работала автономно, а вся вычислительная кампания заняла около 10 000 часов работы ускорителей.

Белки проверяли независимо Adaptyv Bio и Twist Bioscience. Семь конструкций связались с токсином Cn2, по четыре — с AaH II и AaH I, ещё две — с LqhIII. Для пятого токсина Ts1 подходящего белка по установленным критериям не нашлось. Лучший кандидат Cn2-B1 показал связывание в единицах наномолей — сильный лабораторный результат для раннего этапа.

Где агент справился, а где сломался

Самая полезная цифра — не 318 тысяч сгенерированных вариантов, а 11 успешных белков среди 60 конструкций, рассчитанных на один конкретный токсин. Это около 18%, что авторы считают нормальным результатом для подобных кампаний. Генерация дала не красивую коллекцию молекул, а кандидатов, которые выдержали лабораторную проверку.

С универсальными белками вышло хуже. Claude проектировал отдельные группы кандидатов против двух, трёх и сразу пяти токсинов. Ни одна конструкция не смогла по заданным критериям связать больше одного. Особенно показателен полный провал 91 белка, рассчитанного сразу на все пять целей.

Причина может быть не только в модели. Токсины похожи общей формой, но совпадение их аминокислотных последовательностей составляет лишь 26–62%. Возможно, выбранные инструменты плохо решают такую задачу, подсказки направили поиск не туда или универсальный белок вообще трудно получить в предложенной форме. Эксперимент честно оставляет этот вопрос открытым.

Есть и более важное ограничение: исследователи проверяли только связывание. Они не испытывали нейтрализацию токсинов ни на клетках, ни на животных. Неизвестны безопасность, стабильность, дозировка, стоимость производства и поведение белков в организме. Поэтому называть результат противоядием нельзя.

Что из этого брать разработчикам и продуктам

Главный урок — агенту полезно отдавать не одну магическую команду, а управляемую исследовательскую петлю: цель, набор инструментов, измеримые пороги, журнал решений и дорогую внешнюю проверку в конце. Claude не заменил лабораторию. Он резко расширил пространство вариантов, а лаборатория отделила реальные попадания от убедительных вычислительных прогнозов.

Для продуктовой команды это знакомая архитектура: модель генерирует и ранжирует гипотезы, но финальный критерий находится вне модели — в тестах, данных пользователей, выручке или физическом эксперименте. Чем дороже ошибка, тем важнее независимая проверка.

Anthropic открыла все 211 конструкций и результаты измерений. Значит, работу можно разбирать не по рекламному описанию, а по данным. И пока вывод трезвый: автономный агент уже способен за несколько дней провести содержательную часть сложного научного поиска. Но путь от найденного кандидата до лекарства остаётся длиннее и труднее самой генерации.