Claude akselererer 30 biomodeller 4x: proteindesign til 150 dollar

Anthropic viser 17. september at Claude ikke bare orkestrerer proteindesign. En intern, generell forskningsmodell skrev GPU-kjerner og inferenskits for mer enn 30 åpne biomodeller på under fire uker. Snittet er omtrent fire ganger raskere. Kampanjer som tidligere kostet inntil 10 000 dollar per mål, lander nå rundt 150 dollar i silico. For CIO i farmasi og biotech er dette compute og tempo. For CISO er det spredning av evne, ikke en ny chatflate.

Hva laben faktisk slapp

Forskningsposten «How Claude is uplifting biomolecular modeling» er et teknisk notat, ikke en modell dere kan kjøpe i API-et. Claude, i Claude Science, laget 36 drop-in-pakker: én per oppstrømsverktøy. Familiene dekker ko-folding og strukturprediksjon, hallusinasjon, strukturgenerering, invers folding, genomikk og protein-språkmodeller. Vektene er de opprinnelige. Det som endres er inferensstien.

Tre modi. Exact skal gi bit-identiske utdata og gikk i snitt 1,6x raskere på 14 strukturmodeller på NVIDIA H100. Fast bytter litt numerisk presisjon mot fart og gikk 4,1x på de 13 modellene som tilbyr den. Big kutter minnebruk: nøyaktig modellering over 10 000 tokens og inferens over 70 000 tokens på én NVIDIA GPU-node. Fast-modusene er statistisk umulig å skille fra standard på et sett biomolekylære grensesnitt, målt med DockQ over 0,23 som «akseptabelt».

Kjernen i strukturmodellene er triangle attention og triangle multiplication. De skalerer kubisk: dobbel systemstørrelse gir åtte ganger tid og minne. Feltstandarden er NVIDIAs cuEquivariance, senere BioNeMo Inference Runtime. Claude laget FlashPairformer. På H100 slår den feltstandarden 2,7x på triangle attention ved pair-bredde 128 (AlphaFold3, Boltz-2) og 2,9x ved 256 (Protenix v2). Triangle multiplication: 1,7x og 3,2x. I tillegg cachet Claude redundant arbeid og fjernet døde grener per modell.

To Anthropic-ansatte med biomodellerfaring, uten kernel-bakgrunn, veiledet arbeidet. Tidligere hadde Mythos 5.1 gitt inntil 2,5x på sju modeller. Nå er listen åpen på GitHub: AlphaFold3 i JAX og Torch, OpenFold3, Boltz-2, ColabFold, ESMFold2, RFDiffusion, ProteinMPNN, Evo 2, Enformer og flere.

Større maskiner, billigere design

Big-modus foldet mitokondrielt kompleks I, TRiC-chaperonet, et proteasom og et bakteriellt ribosom på én GPU-node, med treff mot eksperimentell struktur. Kompleks I og 70S-ribosomet er over 10 000 tokens. AlphaFold3s nøyaktige 40S-ribosom var 7663. Det er blant de største strukturene laben kjenner som er foldet nøyaktig med slike modeller.

Grense: på én 8-GPU B300-node kjørte de virale kapsider og proteinkompartmenter fra 31 000 til over 70 000 tokens. Inferensen gikk. Strukturene kollapset. Modellene generaliserer ikke to størrelsesordener utenfor treningskonteksten. Barrierer for å kjøre er likevel flyttet.

Proteindesign er der kostnadskuttet sitter. Tidligere Mythos 5.1-kampanjer fikk inntil 10 000 dollar per mål på Modal, omtrent 2500 H100-timer, 16 000-ords prompt og subagenter. Nå: én modell, én H200, 24 timer, omtrent 1100 ord, ingen subagenter, ingen menneskelig styring av designene. Mythos 5.1, Mythos 5 og Opus 5 mot 16 mål. Median og beste ipSAE, en in silico-bindescore som predikerer våtlab, matcher de gamle kampanjene med omtrent 100 ganger færre GPU-timer. Samlet GPU- og tokenkost: rundt 150 dollar.

Det er in silico. Ikke klinikk. Ikke våtlab-bevis for de nye, billige løpene. Anthropic og Adaptyv Bio åpner derfor en konkurranse med fem frontier-oppgaver, våtlab på over 5000 design, inntil 1 million dollar i Claude-kreditter, 250 000 dollar i Modal-compute og DNA fra Twist Bioscience.

Hva det betyr for ledergruppen

Tre beslutninger, og de overlapper LSVP uten å erstatte den.

Først: stack. Farmasi og biotech som allerede kjører AlphaFold-klassen, Boltz eller ColabFold kan hente åpne kits uten å bytte modellleverandør. Det er FinOps: samme vekter, lavere node-tid. Det er også leverandørstyring. Kernelene er Anthropics, vektene er andres. Hvem eier regresjonstest, bit-identitet og DockQ-terskel når Fast er på?

Deretter: evnespredning. Hundre ganger færre GPU-timer på binderdesign senker terskelen for akademia og oppstart, og for den som ikke skal publisere. Laben åpnet samme dag Life Sciences Verification Program for Mythos 5.1. Optimaliseringskoden er åpen. Modelltilgangen er det ikke. CISO bør holde de to fra hverandre: kits i eget GPU-miljø er én risikoklasse, Mythos med mykere biologiklassifiserere og 30 dagers logging er en annen.

Til slutt: ikke produktifiser notatet. Den som skrev kjernene er en intern forskningsmodell. Opus 5 er med i de billige designløpene, Mythos er det også. Ingen av delene er «Claude i chat som designer legemidler». Våtlab, IP og dual-use sitter der de satt. Det som endret seg 17. september er prisen på sløyfen og at kernelarbeid som tok uker for spesialister, ble gjort av en modell under to ikke-kernel-ingeniører.

Kilder og medier

Primærkilde: Anthropic, «How Claude is uplifting biomolecular modeling», 17. september 2026: https://www.anthropic.com/research/claude-uplifts-biomolecular-modeling

Åpen kode: Anthropic, GitHub-repositoriet uplifting-biomolecular-modeling, offentlig 17. september 2026.

Teknisk rapport: Anthropic CDN-PDF knyttet fra forskningsposten.

Thumbnail: OpenAI Image 2 / hogby.ai