2026年10月20日、AnthropicはAIタンパク質設計における過去最大規模の実験結果を公表した。64時間以内にClaude はサソリ毒神経毒素を標的とした318,484件のタンパク質結合剤設計を生成し、そこから211件を選別して独立実験室に送付。最終的に17件が結合テストに合格し、最有力候補であるCn2-B1とCn2-B2は標的毒素に対して一桁台のナノモル級の親和性を示した。2つの独立受託研究機関（CRO）による交叉検証、2名の外部専門家によるレビュー、211件の全配列と69ページに及ぶ技術報告書の同時公開が組み合わさり、AIタンパク質設計分野におけるこれまでで最も完全な再現可能なクローズドループが構築された。
標的としてサソリ毒を選択したのは偶然ではない。Anthropicの公式研究報告によれば、世界では毎年120万人以上がサソリに刺され、3,250人以上が死亡しており、死者の多くは医療資源の乏しい地域の子どもたちである。現行のサソリ毒血清は製造コストが極めて高く、研究開発投資の回収が困難なことから、この疾患は「顧みられない熱帯病」に分類されている。このような市場の構造的な失敗こそが、サソリ毒をAI創薬能力のテストに理想的な場とした理由である。今回の実験の問題提起は、Anthropicと金融投資調査機関のCitrini Researchが共同で行った。
64時間で31万件の設計をどのように実現したか
Anthropicの公式報告によると、設計プロセス全体はClaudeのScience環境内で動作する内部研究モデルによって実行された。出発点はCitrini Researchと共同で作成した35ページのプロンプトと、その後の4回の補足指示であり、残りの作業はClaudeが完全に自律的に行った。プロセスの中でClaudeは、タンパク質データバンク（Protein Data Bank）およびAlphaFoldデータベースから標的毒素の構造を検索し、5種の神経毒素それぞれについて5つの重要なアミノ酸ホットスポットを特定した上で、12種の専門的タンパク質設計ツールを呼び出して候補配列を生成し、既知のタンパク質や毒素と類似した設計をフィルタリングした。システムは最終的に553,052組の設計・毒素の組み合わせについてco-foldingの計算を完了し、300以上の並列計算エージェントを協調して制御しながら、プロセス全体で約10,000時間分のH100 GPU演算能力を消費した。
ここで重要なのは、Claudeがタンパク質化学を「理解」しているかどうかではなく、異質な専門ツール群を連携させるオーケストレーション層として機能した点にある。個別の構造生成モデルやフォールディング予測モデルはすでに存在していたが、真の難点は常に「どの部位を試すべきか」「どの手法が現在の標的に適しているか」「中間結果をどう次のスクリーニングに反映させるか」にあった。これまでこの役割は計算タンパク質設計の専門家が担っていたが、今回はClaudeがその役割を担い、しかも人手をはるかに上回るスピードで実現した。
17件のヒットが持つ真の意味：ヒット率の分解
17/211の総ヒット率は約8%である。この数字は分解して見る必要がある。単一の毒素に特化した設計グループ（60件の候補）では、ヒット率は18%（11/60）に上昇した。一方、複数の毒素を同時に標的とするよう設計された候補物は、結合テストを一件も通過しなかった。この層別化された結果は、現在の手法がタスクの複雑さという面で抱える限界を明確に示している。
業界の文脈で評価すると、Anthropicの研究報告が引用する公開データによれば、デノボ設計タンパク質結合剤の業界における典型的なヒット率は約10%〜15%である。今回の単一標的設計における18%はこの基準をやや上回るが、大幅な差ではない。本当に際立っているのは2点だ。第一に、絶対的な設計スループット、つまり64時間以内に31万件の設計を完了したことであり、これはいかなる人手チームにも匹敵できない。第二に、Cn2-B1とCn2-B2が達成した一桁台のナノモル親和性と、実験データによれば、その結合部位がマウス体内でCn2を中和することが知られている抗体の結合部位と高度に重複しているという点であり、この構造的な手がかりは後続の開発において重要な価値を持つ。
今年8月、AnthropicはClaudeが15種のタンパク質標的に対して結合剤を設計し、14種の標的で実験的に確認された結合剤が得られたという先行研究を公表していた。Mythos PreviewとOpus 4.8のヒット率はそれぞれ26.7%と22.6%を記録し、単一標的に特化したモードでは最大35.1%に達しており、いずれも今回のサソリ毒実験の全体数値を上回っている。この差異は標的の性質によるものだ。8月の実験が対象としたのは実験室でよく使われるタンパク質であり、今回は実際の医療ニーズに対応した神経毒素であって、難易度が異なるため単純な比較はできない。今回のより重要な意義は検証方法の高度化にある。単一の内部結果ではなく、2つの独立したCROによる交叉検証が行われたことが、その核心にある。
独立検証：今回の実験が真に無視できない理由
AIライフサイエンス研究に対する最も一般的な批判は、モデルは計算レベルでは優れた成果を示しても、ウェット実験室に入ると失敗するというものだ。今回の実験はこの批判への対抗策として、三層構造を意図的に設計した。Adaptyv BioとTwist Bioscience の2つの独立CROがそれぞれ211件の候補を別々にテストした。結果はスペイン国立がん研究センターのスサナ・バスケス・トーレス（Susana Vázquez Torres）氏とデンマーク工科大学のティモシー・P・ジェンキンス（Timothy P. Jenkins）氏という2名の外部専門家のレビューに供された。そして全配列と実験データが同時に公開され、あらゆるチームが独立して再現できるようにされた。
配列の公開・独立検証・外部専門家レビューを組み合わせたこのアプローチは、AIタンパク質設計研究においてきわめて稀である。これにより、後続の議論において繰り返し参照できるデータ基準が提供された。
各関係者への影響：立場によって異なる得失
製薬会社の早期研究開発部門にとって、今回の実験は実質的なプロセス短縮の可能性を示唆している。標的確認から候補スクリーニングまで、AIは従来であれば数カ月を要していた大規模な計算設計を数日で完了できる。これまで速度を制限していた主な要因は人手と専門チームの規模であったが、10,000時間分のGPU算力のコストはもはや業界の参入障壁ではなく、速度そのものが競争優位になりつつある。
CRO（受託研究機関）にとっては、AIが大量の候補物を生成するということは、ウェット実験による検証の需要が代替されるのではなく、同時に拡大することを意味する。今回2社のCROがともに実験に深く関与したことは、まさにこの相補的な関係を示している。AIが短縮するのは計算設計のサイクルであり、候補物数の急増により、実験室への需要はむしろ増加する。
非専門家チームへの示唆は、より破壊的な性質を持つ。問題定義に参加したCitrini Researchは金融投資調査機関であり、バイオ医薬品の研究開発と直接の接点はない。これが示すのは、AIツール群が十分に成熟した環境では、構造的に適切なタンパク質設計プロジェクトを立ち上げるにあたって、計算タンパク質科学の完全な専門知識を持つチームが必ずしも先導する必要はないということだ。ただしその前提として、適切な検証プロセスを設計し、ウェット実験を実行できる機関と協力することが求められる。
既知の限界：今回の実験が証明したこと、しなかったこと
事実と推論を明確に区別する必要がある。証明されたこと：AIは合理的な計算コストの範囲内でタンパク質結合剤の候補を大量生成でき、一部の結合剤は測定可能なナノモル級の親和性を持ち、計算予測とウェット実験の結果は一致し、5種の神経毒素のうち4種で有効な結合剤が得られた。証明されていないこと：この17件の結合剤が細胞環境においてサソリ毒を中和できるか、生体動物実験において有効であるか、そして臨床的な実現可能性である。Anthropicは報告書の中で明示的に「これらの結合剤が細胞環境でサソリ毒を中和できることは確認されておらず、抗毒素の製造を主張するものではない」と述べている。結合剤から抗毒素へ至るには、少なくとも細胞中和の検証、毒性安全性評価、動物モデル、製造スケールアップ、臨床試験という複数の関門を越える必要がある。
多毒素設計方向における全滅も、別途記録しておく価値がある。5種の毒素を対象として、複数の毒素に同時に結合するよう設計された候補物は一件もテストを通過しなかった。単一製品で複数種の毒素をカバーする広域抗毒素血清の開発困難は、AI主導の設計段階においても依然として存在しており、自動的に解決されてはいない。
規制の空白と今後の重要なシグナル
AIによる候補物生成の速度は、人間の監督能力が同期して対応することが困難なレベルに近づきつつある。AIが64時間以内に318,484件の設計候補を提案することは、設計の段階では合法であり、いかなる承認も必要としない。しかし臨床への転換が始まれば、FDAにしてもEMAにしても、現時点ではAI設計分子に専ら対応する完全な承認経路は存在しない。これは今回の実験特有の問題ではないが、今回の実験の規模によって、この問題はより具体的なものとなった。
直近の観察可能なシグナルは、この17件の結合剤が今後どうなるかにある。細胞中和実験のデータが今後数カ月以内に出現する可能性があり、その時点で「結合する」と「有効である」の間の差がどの程度かが数値化される。Cn2-B1とCn2-B2が細胞レベルでもテストを通過すれば、それは動物実験への投資を促す重要なトリガーとなり、AI創薬をコンセプト実証から実際の開発パイプラインの起点へと引き上げることになるだろう。より大きな視点でのシグナルとして、今回の実験は高品質なタンパク質設計プロジェクトが非従来型の主体によって立ち上げられることを証明した。AI候補物生成・ウェット実験検証・臨床前評価を完全なパイプラインとして統合できるのが誰かということが、より大きな実験室を持つことよりも早く競争の構図を決定するだろう。そして現時点でのAI基盤インフラと生物学的知識の統合の深さが、このシフトの速度を左右する主要な変数となる。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接