Claude traff 14 av 15 proteinmål. Anthropic sperrer evnen i toppmodellen.

Anthropic ga Claude en prompt på rundt 30 000 tokens, tilgang til internett, GPU-er og 48 timers veggtid. Så gikk selskapet ut av rommet. Modellen valgte selv hvor på hvert proteinmål den skulle designe, orkestrerte flere spesialiserte struktur- og sekvensmodeller, kjørte optimalisering i runde etter runde og silte ut kandidatene den mente ville binde. Tre uker senere kom måledataene tilbake fra to laboratorier: 354 fungerende bindere mot 14 av 15 mål.

Det er et reelt resultat. Det er også et resultat der selskapet som eier modellen har formulert oppgaven, valgt målestokken og publisert rapporten.

48 timer uten forsker

Minibindere er små proteiner som fester seg hardt til et målprotein. Binding er måten en stor del av moderne medisin virker på: legemiddelet setter seg på målet og hemmer det, aktiverer det eller leverer noe til det. Å designe en ny binder fra bunnen har historisk kostet proteiningeniører uker eller måneder per mål, med tung datamaskinbruk og mange runder screening.

Claude fikk 15 mål og 30 designforsøk per mål. Anthropic kjørte to modeller, Opus 4.8 og en ikke-lansert versjon kalt Mythos Preview, i to moduser. Den ene lot modellen jobbe mot alle mål samtidig i én 48-timers økt. Den andre ga hvert mål sin egen 24-timers økt, nærmere måten en menneskelig proteiningeniør faktisk arbeider på.

Menneskelig inngripen underveis besto av å godkjenne nettverkstilgang, holde infrastrukturen i live og bestille designene fysisk. Ingen vitenskapelig eller teknisk veiledning ble gitt etter at kampanjen startet.

Adaptyv Bio og Twist Bioscience produserte og målte kandidatene i sine egne laboratorier. Det er den viktigste kvalitetssikringen i studien: designene ble testet i våtlab av noen andre enn Anthropic. Det gjør ikke laboratoriene til uavhengige kilder om hva resultatet betyr, de er leverandører på oppdrag, men det gjør måledataene vanskeligere å bortforklare.

Tallene, og hvem som eier dem

Bransjenormen selskapet måler seg mot, 10 til 15 prosent, er Anthropics egen utregning fra den offentlige databasen proteinbase.com. Det er en rimelig referanse. Den er også valgt av parten som skal slå den.

Ett tall tåler nærmere ettersyn enn de andre. Mot RBX1, et lite protein som styrer nedbrytningen av regulatoriske proteiner, oppnådde Mythos Preview 40 prosent treffrate i enkeltmålsmodus. Deltakerne i Adaptyv Bios åpne konkurranse mot samme mål lå på 3,7 prosent. Claudes toppdesign bandt hardere enn vinnerbidraget blant 245 innsendte. Der finnes det en ekstern målestokk Anthropic ikke har definert selv, og modellen slo den med god margin.

To av målene, 15-PGDH og GDF-8, ble hentet fra Adaptyv Bios ferskeste konkurranser nettopp for å hindre at modellen kunne trekke ferdige svar ut av treningsdata eller nettsøk. Anthropic krevde i tillegg at Claude selv kontrollerte at designene var originale. Den typen kontroll mangler i mange demonstrasjoner av vitenskapelig KI, og fraværet er hovedgrunnen til at slike demonstrasjoner sjelden lar seg etterprøve.

Modellen som verktøybruker

Claude fant ikke opp proteindesign. Den betjente verktøyene feltet allerede bruker: åpne modeller for strukturdesign, sekvensdesign og samfolding, kjørt på inntil 12 500 H100-timer i flermålsmodus. Bidraget ligger i orkestreringen. Hvilket verktøy som skal brukes når, hvilke kandidater som skal videre, når en runde optimalisering er nok.

Det er en presis beskrivelse av hva agentiske modeller faktisk er gode til, og en nyttig korreksjon av fortellingen om at modellen «oppdaget» noe. Den valgte godt mellom eksisterende verktøy, mange ganger, uten å bli sliten.

Ett funn peker likevel mot noe mer enn god verktøybruk. De fleste datamaskindesignede bindere er bunter av alfahelikser, altså spiraler. Betaark, der utstrakte aminosyrekjeder må legge seg side om side, er vanskeligere å designe og mer utsatt for feilfolding. Claude leverte 15 bekreftede bindere med minst 20 prosent betastruktur, fordelt på ti ulike stillas og seks mål.

Der modellen ikke kom inn

Mot maltosebindende protein bommet Claude på alle 90 designene. Ett viste et svakt, gjentakbart signal. Proteinet er stort, fleksibelt og har en glatt, vannvennlig overflate som gir en binder lite å gripe i. Mot BBF-14, et betabarrel-protein som selv er kunstig designet og brukes som benchmark nettopp fordi det ikke finnes i naturen, kom modellen i mål med tre bindere, alle med moderat affinitet.

Anthropic skriver også at Opus 4.8 lyktes mot TNFα der Mythos Preview mislyktes, og at selskapet ikke vet hvorfor. Det er en innrømmelse verdt å merke seg. Den generelt sterkere modellen tapte mot den svakere på det terapeutisk mest interessante målet i settet, og TNFα er grunnlaget for noen av de mest innbringende legemidlene som er laget.

Bindere er ikke legemidler

Martin Shkreli, som kjenner legemiddelutvikling fra innsiden og har en historie som gjør ham til en upraktisk, men reelt uavhengig kritiker, avviste resultatet på X dagen etter publiseringen. Affinitetene er lave for peptidbaserte molekyler, mener han, og ingen av binderne treffer mål inne i cellen. Trenger man en probe utenfor cellen, finnes det allerede monoklonale antistoffer.

Anthropic er delvis enig. Selskapet skriver selv at proteinbindere ikke er legemidler, at minibindere ikke er en standard terapeutisk modalitet, og at en binder med høy affinitet bare er første steg i en prosess der resten handler like mye om regulatoriske og operasjonelle flaskehalser som om vitenskap. Det er en uvanlig nøktern ramme rundt en lansering. Den fjerner ikke innvendingen om at avstanden fra binder til godkjent medisin måles i år og milliarder, ikke i 48 timer.

Selskapet sperrer sin egen evne

Den mest interessante setningen i innlegget handler ikke om proteiner. Anthropic skriver at biologiske forskningsoppgaver av denne typen er blokkert i Claude Fable 5, selskapets mest kapable modell, fordi evnen har dobbelt bruksområde. Resultatene stammer fra Opus- og Mythos-modeller kjørt internt. Selskapet demonstrerer altså en evne det ikke selger, få uker etter at det hevet sin egen risikovurdering og holdt tilbake en sterkere modell.

Konteksten gjør det skarpere. Av selskapets egen risikorapport i august kom det frem at bioklassifikatorene sto av på interne plattformer i elleve måneder uten at noen oppdaget det. Samme selskap ber nå om tillit til at et kommende adgangsprogram vil holde proteindesign på riktig side av linjen. Det er ikke urimelig å be om, men det er heller ikke gratis.

Dette er heller ikke første gang i år at en modell setter sammen biologi som faktisk fungerer. Tidligere i august ble det publisert forskning der KI skrev 302 virusgenomer og seksten av dem levde. Forskjellen her er at ingen menneskelig ekspert styrte kampanjen underveis.

Kjemien er den stille nyheten

Den andre halvdelen av innlegget fikk mindre oppmerksomhet og betyr trolig mer for flere. Claude Opus 5, som er allment tilgjengelig, fikk rå instrumentfiler fra et kontraktslaboratorium og en prompt på to setninger. Ingen leverandørprogramvare, ingen operatør.

Modellen leverte ferdig NMR-analyse på 23 minutter og LC-MS-analyse på 19 minutter, parallelt. Renheten ble målt til 96,4 prosent mot laboratoriets 96,33. Hydrogentellingen per topp lå innenfor 0,08 av laboratoriets. LC-MS-filen var i et udokumentert leverandørformat: Claude reverserte kodingen og bekreftet at den hadde lest filen riktig ved å reprodusere instrumentets egne totaler for alle 2 664 skanninger, før den analyserte noe som helst.

Mest interessant er noe annet. Modellen flagget fire brede topper som hydrogener sannsynligvis bundet til nitrogen eller oksygen, og foreslo tungtvannstesten for å kontrollere det. Laboratoriet hadde uavhengig kjørt nøyaktig samme kontroll tre dager senere. Første gjennomlesing overdrev funnet, og modellens egen etterkontroll fanget feilen og korrigerte den. Det er ikke oppslagsverk, det er arbeidsvane.

Proteindesignen er sperret. Kjemianalysen er det ikke. Det er den delen norske laboratorier og forskningsmiljøer kan prøve denne uken, med en modell de allerede har lisens på.

Hva som faktisk er bevist

For norske virksomheter er dette ikke bare amerikansk selskapskommunikasjon. Modellene det gjelder er de samme som norske utviklingsmiljøer allerede bygger på, og Anthropic skal kjøre regnekraft i Tydal fra slutten av 2026. Spørsmålet om hvem som får tilgang til hvilke evner avgjøres i California og merkes i Trøndelag.

Anthropic nærmer seg børs med en rapportert verdsettelse rundt 965 milliarder dollar. Et selskap i den posisjonen har åpenbar interesse av å vise at modellene driver vitenskap, ikke bare skriver kode. Det gjør ikke måledataene falske. Det betyr at rekkefølgen mellom publisering, børsnotering og adgangsprogram er verdt å følge med på.

Det som er bevist, er at en generell modell kan orkestrere spesialiserte proteinverktøy bedre enn gjennomsnittet av menneskene som pleier å gjøre det, og at den kan gjøre det uten pauser. Det som ikke er bevist, er at noen av molekylene noen gang blir til medisin. Mellom de to setningene ligger hele legemiddelindustrien.