Claude entwirft 318.484 Proteine in 64 Stunden
Anthropic hat eine 64-stündige autonome Kampagne dokumentiert, in der Claude 318.484 Proteindesigns gegen fuenf Skorpion-Neurotoxine entwickelte. 211 Kandidaten gingen ins Labor, 17 erfuellten die Bindungskriterien. Es ist die bislang groesste publizierte Demonstration dieser Art.
Anthropic hat die Ergebnisse einer 64-stündigen autonomen Kampagne veröffentlicht, in der Claude 318.484 Proteindesigns gegen fünf Skorpion-Neurotoxine generierte. Dabei wurden 211 Kandidaten zur Laborprüfung weitergeführt und 17 erfüllten die Bindungskriterien. Es ist die bislang größte veröffentlichte Demonstration, wie ein KI-Modell eine durchgängige Proteindesign-Schleife im großen Maßstab antreibt. Die Studie baut auf Anthropics früheren Arbeiten zum Proteindesign auf und bietet einen seltenen, vollständig offengelegten Einblick darin, wie viel eines modernen Biologie-Workflows ein Frontier-Modell bereits eigenständig bewältigen kann.
So lief die Kampagne ab: Während der 64-stündigen Designkampagne griff Claude auf 12 Proteindesign-Tools zu und führte Strukturvorhersagen für mehr als 550.000 Protein-Toxin-Kombinationen durch. Die erste Runde lief durchgehend und autonom 24 Stunden lang, und die Compute-Phase verbrauchte rund 10.000 GPU-Stunden. Von den 211 im Labor getesteten Kandidaten-Designs erfüllten 17 die Bindungskriterien gegenüber den Skorpion-Neurotoxinen. Zwei der Kandidaten gegen das Toxin Cn2 erreichten Dissoziationskonstanten im einstelligen nanomolaren Bereich, ein Grad an Bindungsaffinität, den Biologen als eng und spezifisch betrachten.
Was die Ergebnisse zeigen und was nicht: Anthropic betont ausdrücklich die Grenzen des Ergebnisses: Die Kampagne hat keine Toxin-Neutralisierung, keinen Schutz in Tieren oder ein wirksames Gegengift nachgewiesen. Laborbindung und eine brauchbare Behandlung bleiben getrennte Meilensteine, und das Unternehmen hat alle 211 Kandidaten-Designs zusammen mit den experimentellen Daten veröffentlicht, damit externe Gruppen die nächsten Schritte versuchen können. Diese Transparenz ist in einem Bereich bemerkenswert, in dem negative Ergebnisse häufig unveröffentlicht bleiben, und sie liefert akademischen Teams einen konkreten Referenzpunkt zur Bewertung ihrer eigenen Design-Methoden.
Warum das wichtig ist: Die Studie erscheint in einem Moment, in dem KI-Labore darum konkurrieren zu zeigen, dass Frontier-Modelle verifizierte wissenschaftliche Ergebnisse hervorbringen können statt nur plausibel klingender Texte. Eine 64-stündige, modellgetriebene Schleife, die von der Zielauswahl über zehntausende Designs bis zu laborbestätigten Bindern führt und deren zugrunde liegende Daten für externe Prüfung freigegeben wurden, ist ein relevanter Datenpunkt für die Zeitleisten von KI in der Wissenschaft. Sie veranschaulicht zudem die Rechenintensität des Ansatzes: rund 10.000 GPU-Stunden für eine einzige Designkampagne gegen fünf Ziele, eine Kostenkurve, die bestimmen wird, wie breit sich solche Methoden in der Grundlagenforschung und Wirkstoffentwicklung einsetzen lassen.
Generierte Designs: 318.484 in 64 Stunden. Laborgetestete Kandidaten: 211. Bestätigte Binder: 17. Strukturvorhersagen: mehr als 550.000 Protein-Toxin-Kombinationen. Verbrauchte Rechenleistung: etwa 10.000 GPU-Stunden. Veröffentlichte Daten: alle 211 Kandidaten-Designs und experimentellen Ergebnisse. Quellen: Anthropic, AI Impact Hub, Tencent Research Institute, Sohu, threerouter
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Anthropic has published results from a 64-hour autonomous campaign in which Claude generated 318,484 protein designs targeting five scorpion neurotoxins, with 211 candidates advanced to laboratory testing and 17 meeting the binding criteria, the largest published demonstration to date of an AI model driving an end-to-end protein design loop at scale. The study extends Anthropic's earlier protein-design work and offers a rare, fully disclosed look at how much of a modern biology workflow a frontier model can already run on its own.
How the Campaign Ran During the 64-hour design campaign, Claude called on 12 protein design tools and ran structural predictions across more than 550,000 protein-toxin combinations. The first round ran continuously and autonomously for 24 hours, and the compute phase consumed roughly 10,000 GPU hours. Of the 211 candidate designs tested in the laboratory, 17 met the binding criteria against the scorpion neurotoxins. Two of the candidates targeting the toxin Cn2 reached dissociation constants in the single-digit nanomolar range, a level of binding affinity that biologists consider tight and specific.
What the Results Do and Do Not Show Anthropic is careful about the limits of the result: the campaign has not demonstrated toxin neutralization, protection in animals, or an effective antivenom. Laboratory binding and a usable treatment remain separate milestones, and the company published all 211 candidate designs along with the experimental data so outside groups can attempt the next steps. That transparency is notable in a field where negative results often go unpublished, and it gives academic teams a concrete benchmark for evaluating their own design methods.
Why It Matters The study lands as AI labs compete to show that frontier models can produce verified scientific artifacts rather than plausible-sounding text. A 64-hour, model-driven loop that moves from target selection through tens of thousands of designs to lab-confirmed binders, with the underlying data released for outside scrutiny, is a meaningful data point for AI-for-science timelines. It also illustrates the compute intensity of the approach: roughly 10,000 GPU hours for a single design campaign against five targets, a cost curve that will shape how widely such methods can be applied across basic research and drug discovery.
Designs generated: 318,484 in 64 hours Lab-tested candidates: 211 Confirmed binders: 17 Structural predictions: more than 550,000 protein-toxin combinations Compute consumed: about 10,000 GPU hours Data released: all 211 candidate designs and experimental results Sources: Anthropic, AI Impact Hub, Tencent Research Institute, Sohu, threerouter