Claude 走进药物实验室：一个月生成 3.5 万个抗体设计，Anthropic 开始自己找药

AI 制药过去常被讲成一个关于速度的故事：原本要几年的分子筛选，现在几周就能完成。但真正做过药物研发的人知道，瓶颈从来不止一个环节——靶点发现、分子设计、可制造性、临床申报、试验设计，每一段都可能卡住项目。Anthropic 最新披露的工作，试图证明 Claude 能进入这些环节，而不只是画几个分子。

10 月 27 日，Anthropic 发文介绍其生命科学团队过去几个月的进展：与六家机构建立深度研究合作，包括 BigHat Biosciences、百时美施贵宝、Divergence Labs、Enveda、Generate Biomedicines 和 The Column Group；同时，公司也启动了自己的药物发现项目，其中包括针对罕见儿童型肌营养不良症的项目，Claude 承担了大量科学与运营工作。

一分钟速览

• Anthropic 与六家药物研发机构展开深度合作。
• 公司已启动自有药物发现项目，聚焦罕见儿童型肌营养不良症等方向。
• Generate Biomedicines 用 Claude Code 设计更短的 CAR-T 基因指令，实验室中受体数量提升约 10 倍。
• Divergence Labs 约一个月生成 3.5 万个抗体设计，找到可结合与可剥离 IgE 的候选。
• BigHat Biosciences 在约 10 周内测试约 1010 个变体，最佳版本结合力提升 10 倍以上。

三个案例，三种「AI 干活」的方式

第一个案例来自 Generate Biomedicines。CAR-T 疗法在血液肿瘤中效果显著，却难以攻克实体瘤。Generate 的思路是缩短疗法基因指令中的某一段，为针对其他癌症的指令腾出空间。六名科学家使用 Claude Code 提出新设计，其中一个版本比标准版本短约 70%；实验室测试显示，免疫细胞产生的受体数量约为原来的 10 倍，杀伤肿瘤细胞更有效，活性维持时间也更长。

第二个案例来自 Divergence Labs。食物过敏由 IgE 分子引发，现有药物主要中和血液中游离的 IgE，而 Divergence 想直接把附着在免疫细胞上的 IgE「撬下来」。这需要双臂设计：一臂牢牢结合 IgE，另一臂帮助它脱离细胞。Claude 把研究目标转成详细设计方案，并在大约一个月内较为自主地生成约 3.5 万个抗体设计；早期测试中找到 3 个可结合 IgE 的设计、20 个可剥离 IgE 的设计，其中 3 个剥离效果优于标准药物。

第三个案例来自 BigHat Biosciences。抗体药物必须在结合力、稳定性、抗聚集等指标之间平衡。Claude 接入其实验室数据系统后提出分子修改建议，团队在约 10 周内制造并测试约 1010 个变体。中途团队怀疑传统热稳定性和聚集指标会误导判断，Claude 与研究員一起重分析原始数据，提出新指标和验证方案，主要预测随后得到证实。相比原始版本，最佳版本结合力提升 10 倍以上，癌症靶点候选的溶解温度提高 18°C，长效候选的聚集速度慢 100 倍以上。

为什么这件事比「AI 画出新分子」更重要

药物研发的瓶颈是分布的，不存在一个万能按钮。Anthropic 的策略是把自己埋进真实的药物项目里，在不同疾病领域、不同研发阶段找具体问题。这带来的不只是案例，更是模型改进的方向：哪些任务 Claude 容易出错、哪些数据格式它读不懂、哪些环节需要人类复核，只有在真项目里才会暴露。

另一个值得注意的信号是「自己做药」。过去 AI 公司多以卖模型或卖算力为主，Anthropic 开始设立自有发现项目，意味着它愿意承担研发风险，也愿意用管线成果证明模型价值。对生物科技公司来说，这既是合作机会，也是潜在竞争。

冷静看边界

早期命中不等于药物成功。抗体设计出来只是第一步，后面还有可制造性、毒理、临床一期二期三期，任何一环失败都可能前功尽弃。Anthropic 自己也强调，这些项目仍处于早期，需要更多实验验证。AI 能压缩的是设计与筛选的时间，不能替代临床证据。

此外，数据访问、实验闭环和监管沟通仍是门槛。谁能拿到高质量、结构化、可追溯的实验数据，谁就能让模型迭代得更快。这也是为什么 Anthropic 选择与已有实验室和药企合作，而不是单打独斗。

一句话判断

Claude 进入药物研发，真正的看点不是「AI 会不会取代科学家」，而是「AI 能不能把分散在各个流程里的等待时间压缩掉」。从目前的案例看，它至少已经开始动手了。