蛋白质设计像是用二十种氨基酸拼出生命的三维密码。过去几十年，科学家靠经验、解结构和反复试错，命中率能到10-15%就算不错。但Anthropic公布的两项实验，把Claude（Mythos Preview和Opus 4.8）推到了这场赌局中央：针对15个靶点设计蛋白质结合剂，成功14个，命中率拉到22.6%-35.1%。这不只是数字层面的提升，而是设计范式的一次位移。
一场15靶点的极限测试
为什么是15个靶点？
靶点的选择是实验设计的核心。15个靶点覆盖了不同的蛋白质家族、结合界面几何形状和表面疏水/带电特性。这些差异不是为了凑数，而是为了检验模型能不能在不同挑战下稳定输出。如果只挑10个同质化靶点，结果再好看也没有说服力。Anthropic把样本量控制在这个范围，既保留了统计意义，又让每个靶点都有足够细颗粒度的评估。
两路模型，各有侧重
Mythos Preview和Opus 4.8，两个系统在实验中扮演不同角色。前者偏向探索，在序列空间中快速撒网，不放过任何看似离奇的组合；后者则负责精修，在候选序列上打磨稳定性与结合细节。并联运行不是比拼谁更强，而是呈现模型在不同策略下的互补性。这也解释了为什么总数只有15个靶点，却需要两个实验系统。
失败的那一个，更有价值
14个成功，1个失败。表面看是一道99分和100分的差距，但失败案例的价值往往被低估。它意味着实验没有过拟合，说明设计确实受制于物理化学的硬约束。那个失败的靶点，可能是结合位点过深、柔性强，或存在无法用当前范式表达的构象需求。把失败靶点单独拎出来复盘，比庆祝14次成功更有意义。
数字背后，藏着什么？
22.6%到35.1%，放在什么语境里看？
行业里用湿实验验证计算设计的常规命中率，大概在10%到15%。Claude这次是从零设计，没有定向进化、没有已知支架的微调，直接生成序列，再上湿实验台。22.6%到35.1%的区间，已经把基线甩开了一倍以上。这个数字放在“AI设计蛋白”这个特定任务里，已经进入专家级水准。
湿实验，才是硬核裁判
很多AI蛋白质设计论文，停在计算预测的层面，给出几个漂亮的结构图就收工。Anthropic的做法更“笨”：把模型生成的序列，拿到实验室里真实表达、纯化，测结合亲和力。湿实验是技术的试金石，因为模拟里的低能量未必等于现实中的高亲和力。这一步让“命中率”三个字有了真正的分量。
压缩的不只是时间
传统药物发现早期，计算专家先做同源建模，再用分子动力学做虚拟筛选，接着实验人员合成、表达、纯化、测试，一个循环下来就是几个月。Claude把序列生成压缩到几天，湿实验的命中率还维持在高峰。这带来的是流程再造：研发人员可以把时间花在更有创造性的下一步，而不是在无休止的失败循环里磨性子。
蛋白质设计难在哪？AI凭什么破局？
20^100：蛋白质的搜索地狱
一个100氨基酸长的蛋白质，序列组合是20的100次方。这个数字远超可观测宇宙的原子总数。进化只采了几亿年样本，人类设计更是只能碰一碰角落。要在这种几乎无限的空间里找到能折叠、能结合、能稳定的序列，不能靠运气，只能靠智能。
Claude不预测，它生成
传统工具往往做结构预测，告诉你有这个序列，大概长什么样。Claude绕过了那一步：你给它靶点信息，它直接输出结合剂序列。Mythos Preview擅长生成多样性，Opus 4.8擅长收敛到可靠答案。两个模型配合，等于把“从0到1”和“从1到N”两个环节同时拿下来。它把预测工具直接升级成了设计生成器。
专家经验正在被重新估值
当AI能在几天内拿出几十个高命中候选，专家的价值就不再是亲手画序列。判断哪个靶点值得做，哪个候选值得推进，如何设计湿实验验证，这些决策才是不可替代的人工环节。专家从体力活里解放出来，被放大的是判断力，而不是手艺。
药物发现的未来，不止是加速
瓶颈不在点子，在验证
药物发现的早期从来不缺思路，缺的是快速验证的通道。很多有潜力的分子，死在漫长的合成与测试流程里。Anthropic的实验展示了另一种可能：AI先把低质量候选过滤掉，湿实验只需验证那些真正有希望的设计。失败成本被压到最低，创新反而能跑得更快。
科学家该做什么？
AI把科学家从重复劳动中解放出来，但同时也提高了对科学家的要求。定义问题比解决问题更值钱。面对AI生成的海量候选，怎么选、怎么改、怎么判断下一步，这需要经验，也需要对研究方向的深刻理解。人和AI的关系，不是谁替代谁，而是分工重新划定。
一场更大的AI科学浪潮
蛋白质结合剂只是AI for Science的一个样板。Anthropic设计的这套生成式模型+湿实验闭环，同样可以迁移到小分子药物、核酸适配体，甚至新材料发现。不同领域的对象千差万别，但内在逻辑正在统一：生成式AI提供候选，实验验证提供反馈，再迭代升级模型。这是科学研究方法的一次底层变革。
回到开头那句话：蛋白质设计是赌博，但赌法已经变了。Anthropic用14个成功案例告诉行业，AI不仅能碰运气，还能把胜率拉到专家之上。当然，从实验室结合剂到真正的药物，中间还有漫长的路。但至少，起跑线已经向前挪了一大截。接下来，看人类怎么接。
