Claudeがタンパク質結合体を15標的中14で設計 創薬研究に前進

結論

AnthropicはClaudeが生物学的な15の標的のうち14で、狙った相手にくっつくタンパク質の設計に成功したと発表した。配列の生成をClaudeが担い、実際の製造と評価は外部のAdaptyv BioとTwist Bioscienceが行った。実験室での結合率は個別条件で35.1%に達し、業界で一般的な10〜15%を上回った。創薬や素材の研究では、候補を絞り込む初期作業が時間と費用の壁になってきた。AIが下ごしらえを引き受ければ、研究者は検証と判断に時間を回せる。ヘルスケアや素材を扱う企業のR&D部門にとって、AIを試作の入口に置く動きが実務に入り始めた合図といえる。

何が起きたのか

Claude Opus 4.8とMythos Previewに、15の標的ごとに30個の結合体候補を出すよう指示した。生成された候補は合計1,320個にのぼる。この配列を受け取ったAdaptyv BioとTwist Bioscienceが実際にタンパク質を作り、結合するかを実験室で確かめた。その結果、354個が結合し、15標的のうち14でくっつく設計が見つかった。

数字にも特徴がある。標的を1件ずつ独立に扱うと、Mythos Previewの結合率は35.1%になった。RBX1という標的では40%に達し、過去の競技会の参加者が記録した3.7%を大きく上回った。Opus 4.8はTNFαという標的に対して12個の有効な設計を出し、一部は人間とカニクイザルとマウスの3種類に同時にくっつく性質を持っていた。AIが研究を後押しする例はAnthropic、希少疾患研究に最大5万ドル分のClaude枠 8/2締切でも見られる。評価の一部には慎重な意見もあり、最新の検証状況は公式で確認してほしい。

タンパク質の結合体とは何か

結合体は、体の中の特定のタンパク質を狙ってくっつく別のタンパク質を指す。薬は、病気に関わるタンパク質を狙って働きを止めたり助けたりする。その狙いを定める部品を、ゼロから設計するのがこの研究だ。従来は、膨大な候補を作って実験室で一つずつ試すため、時間も費用もかかっていた。

AIが有望な候補を先に絞れば、実験する数を減らせる。1,320個作って354個が当たった今回のやり方は、当てずっぽうより効率がよい。ただし、AIの出力はそのまま薬になるわけではない。安全性や効き目の検証は人と実験室が担う。AIは入口の作業を速くする役割にとどまる。生成AIをそもそも実務でどう位置づけるかはAIエージェントとは？生成AIとの違いと業務への影響が整理の助けになる。

現場の実務にどう効くか

創薬や素材、食品の研究部門では、まず候補の絞り込みという工程にAIを試すとよい。今回のように、AIが候補を大量に出し、実験は当たりそうなものに集中する。全部を試すより、実験の回数と費用を減らせる。自社の研究テーマで「候補が多すぎて試しきれない」場面があれば、そこが最初の適用先になる。

次に、検証の体制を崩さないことが大切だ。AIの出力は下書きであって、結論ではない。安全性や再現性の確認は、これまで通り人と実験が担う。AIに任せる範囲と人が確かめる範囲を、部署のルールとして先に決めておきたい。医療や研究のように扱う情報が重い分野では、データの取り扱いも同時に固める必要がある。導入の進め方は医療・介護現場のAI導入事例：業務効率化の実際、社内ルールの作り方は企業のAI利用ガイドライン作り方とテンプレートが参考になる。

まとめ

Claudeは15標的中14で結合体を設計し、実験室での結合率は個別条件で35%を超えた。研究部門は、候補の絞り込みにAIを試し、検証は人が担う形から始めるとよい。AIに任せる範囲を先に決めておくことが、成果を実務に落とす近道になる。

出典

• How Claude is accelerating protein design and analytical chemistry（Anthropic）
• Case study: Benchmarking Claude’s protein designs in the wet lab（Adaptyv Bio）
• Anthropic says Claude designed protein binders for 14 of 15 targets in lab test（Storyboard18）