Anthropic 把 Claude 派进 wet lab：14 / 15 药物靶点、两家外部公司自己造自己测，AI 干的是「让分子真的合出来」

「读完 X 我」式开场跳过。直接抛事情：2026 年 8 月 19 日，Anthropic 公布了一份研究报告——Claude 自动为 15 个药物靶点设计蛋白质结合剂，再交给两家具公信力的外部生物公司「Adaptyv Bio」与「Twist Bioscience」按 AI 给的序列直接合成、表达、wet lab 实验，最后独立第三方给回「14 / 15 成功结合」的判定。这是「AI 给个序列就完事」和「AI 把湿实验端到端托管」之间一条真正的工程鸿沟。

它在数字层面到底跑成什么样

Anthropic 的 Claude 用了人类专家写的一份蛋白质设计 prompt，直接上手为 15 个不同的药物靶点从头（de novo）设计蛋白质结合剂。然后不走自家流程，走外部：

• Adaptyv Bio 负责蛋白表达与亲和力筛选；
• Twist Bioscience 负责 DNA 合成与高通量表达验证；
• 两家各自独立做完实验，再把结果报回 Anthropic，互不交叉校对。

引用 Anthropic 原文在 8-19 的 research 章节，标题「Designing proteins with extended experimental context」（研究 PDF：https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf）。

1 % 没中的那一靶，比 93% 更值得琢磨

剩下 1 / 15 没通过的靶点目前没有公开细节，但这一点恰恰是行业里值得停一停的地方——AI 干 wet lab，不是「对了就是模型牛，不对就是模型傻」，而是要回到每个失败的具体机理：是结合界面被遮蔽？是表达量太低？还是验证实验本身的灵敏度不够？Anthropic 这次能 14/15 不是因为 Claude 突然变得「全会」，是因为它把失败目标也当成可读信号一起返回给研究者。这套人机闭环比单看成功率数字重要得多。

整个发现流水线的成本结构正在被改写

传统早期药物发现每靶点「数周到数月的专家工作 + 数万到数十万美元的湿实验消耗」是行业基线。Claude 这次把每靶点的设计周期从「月级」压到「小时级」，同时把人类专家从「动手设计」重新分配到「评审 + 复检 + 解读失败靶点」。叠加 Twist Bioscience 的 DNA 合成产线和 Adaptyv Bio 的蛋白筛选流水，单靶点单位成本下降一个数量级是写出来的下限，实际数字还要看后续论文补充。

更关键的是：外部实验数据是公开可读的。这意味着审计环节、监管环节、学术同行评审环节不需要再因为「模型里有什么」反复吵架——看见的就是看见的，没看见的就是没看见的。

这件事能成立的基础设施前提

Claude 这次并非「模型忽然升级」，而是「实验仪表盘 + 长上下文 + 工具调用」三件事一起上桌：

• 蛋白质设计 prompt 长度动辄上万 token，普通的 LLM 长上下文方案撑不住；
• 调用结构生物学工具链需要稳定的 tool use；
• 失败靶点的诊断需要 Claude 能反过来分析「湿实验给出什么反馈 → 哪个残基可能错了」。

还没被这件事解决的部分

14 / 15 听起来漂亮，但有几个边界不能忽视：

• 靶点多样性：15 个靶点是否覆盖了难表达的膜蛋白、固有无序蛋白、转录因子这些难啃的类别，论文没有全列；
• 亲和力强度：14 个结合到的信号强度如何、生物活性是否成立，还需要下游细胞与动物实验；
• AI 设计 ≠ 临床可用：从结合剂到先导化合物再到上市药物，中间还隔着 ADMET、成药性、毒性、PK/PD 几道大山，Claude 这一次走得是「最早期的起点」。

从「找分子」到「让外部实验室自己把分子造出来」

这件事真正放在产业层面的位置，是「AI 设计 + 外部公司湿实验」形成可重复的工业化端到端流水线。Adaptyv Bio + Twist Bioscience 不是友情客串，是公开身份的两家具公信力的工业级服务商——这两家公司愿意接单，意味着他们判定 AI 输出的设计序列在合成、表达、筛选阶段的失败率在可商业化区间内。

下一次真正重要的不是 15 / 15 全命中，而是看：

• Adaptyv Bio 能不能把这套「接 Claude 设计单」做成常态业务；
• Twist Bioscience 能不能围绕 AI 输出序列开辟一条专门的合成产线；
• 头部药企（J&J / Roche / Pfizer 等）是不是把「Claude 设计 + 外部 wet lab」写进标准 SOP。