Claude designer proteinbindere autonomt – og laben bekrefter

Anthropic viser 18. august 2026 noe mer krevende enn en ny benchmark: en generell språkmodell som selv orkestrerer proteindesign, og som deretter blir sjekket i ekte laboratorium. I forskningsposten «How Claude is accelerating protein design and analytical chemistry» skriver selskapet at Claude Mythos Preview og Claude Opus 4.8 designede minibindere mot 15 mål. Adaptyv Bio og Twist Bioscience produserte og testet designene uavhengig. Resultatet: bindere mot 14 av 15 mål.

Det er ikke en modell som «finner opp medisin». Det er en agent som tar over den tidlige, beregnings tunge delen av et løp som historisk har tatt spesialister uker eller måneder per mål. For norske CIO-er, CISO-er og FoU-ledere er poenget operativt: når en generell modell kan styre verktøykjeden, velge bindingssted, kjøre spesialmodeller og levere kandidater som faktisk binder i laben, flyttes flaskehalsen fra modellkraft til tilgang, logging, dual-use og menneskelig ansvar.

Hva Anthropic faktisk målte

En minibinder er et lite protein laget for å feste seg hardt til et målprotein. Slik virker en stor del av moderne legemidler: de binder, hemmer, aktiverer eller leverer noe. De novo-design – å lage en slik binder fra bunnen – har vært ekspertarbeid. Maskinlæringsmodeller har allerede kortet ned beregningen, men de har krevd dager og uker med orkestrering fra beregningsbiologer. Deretter tar våtlaboratoriet uker til.

Anthropic lot Claude kjøre kampanjen i Claude Science med minimalt menneskelig inngrep etter startprompten. Menneskene godkjente nettverkstilgang og overvåket at sesjonene kjørte. Claude valgte selv hvor på hvert mål den skulle designe, genererte strukturer og sekvenser, kjørte flere runder med in silico-optimalisering og silte kandidater som kunne uttrykkes, holde seg løselige og binde. For hvert av 15 mål skulle den levere 30 design. Den brukte åpne spesialmodeller for struktur, sekvens og samfolding – ikke en hemmelig Anthropic-proteinmotor alene.

To oppsett ble testet:

• Flermål i én 48-timerssesjon, med inntil 12 500 NVIDIA H100-timer til spesialmodellene. Mythos Preview fikk 26,7 prosent treffrate, Opus 4.8 fikk 22,6 prosent.
• Ett mål om gangen i 24-timerssesjoner, med inntil 2 500 H100-timer per mål. Mythos Preview kom da opp i 35,1 prosent.

Feltet ligger typisk på 10–15 prosent. Anthropic rapporterer høyaffinitetsbindere mot minst seks mål, og bindere som matcher eller slår beste publiserte affinitet mot minst fire. Totalt ble det 354 bekreftede bindere av 1 320 design. Målene inkluderte hele Adaptyv Bios BenchBB pluss to nyere konkurransemål, 15-PGDH og GDF-8, for å redusere risikoen for at Claude bare gjenskapte kjente suksesser. Claude ble bedt om å sjekke at designene var originale.

Noen enkeltresultater er mer enn statistikk. Mot RBX1 fikk Mythos Preview 40 prosent treffrate i enkeltmål-modus, mot 3,7 prosent blant deltakere i Adaptyvs konkurranse. Toppranket design slo vinnerdesignet blant 245 innsendte. Mot TNFα, et kjent og terapeutisk relevant mål bak legemidler som Humira, lyktes Opus 4.8 der Mythos Preview feilet, inkludert bindere som virket mot menneske, cynomolgus-ape og mus. Claude leverte også 15 bekreftede bindere med minst 20 prosent β-tråd mot seks mål. β-flak er vanskeligere enn de vanlige α-helix-buntene og misfolder oftere.

Begrensningene er like viktige. Mot maltosebindende protein, MBP, ble ingen av 90 design bekreftet som bindere. Mot det kunstige β-tønneproteinet BBF-14 kom det bare tre svake bindere. Anthropic sier selv at mer karakterisering gjenstår for å bekrefte treffrater og affinitet. Binderne er ikke legemidler. Høy affinitet er første steg, ikke ferdig terapi.

Kjemianalysen viser den andre siden av samme sak

I det andre eksperimentet fikk Claude Opus 5, som er allment tilgjengelig, rå NMR- og LC-MS-filer fra et kontraktslaboratorium og en tosetningsprompt. Ingen leverandørprogramvare, ingen operatør. På 23 og 19 minutter parallelt kom ferdig analyse: 18 NMR-topper, hydrogenantall innen 0,08 ¹H av labens egne tall, og renhet 96,4 prosent mot labens 96,33. Claude dekodet et udokumentert leverandørformat, reproduserte instrumentets summer for 2 664 skann før den stolte på lesingen, og foreslo samme tungtvannskontroll som laben selv hadde kjørt tre dager senere. Den fanget også en overdrivelse i første lesing og rettet den.

Labens ferdige rapport kom fire dager etter første spekter. Claude skrev rapporten i samme 25-minuttersvindu. Det er ikke «AI oppdager ny medisin». Det er at rutinene som spiser kjemikertid – identitet, renhet, filformater – kan automatiseres av en generell modell med filtilgang.

Hva dette betyr for norske ledere

Life science i Norge og Europa har allerede AI i docking, screening og dokumentasjon. Anthropic-resultatet flytter spørsmålet fra «kan modellen hjelpe forskeren?» til «kan en agent kjøre kampanjen hvis den får GPU, papirer, Drive, Slack og Gmail?». Svaret, i dette oppsettet, er ja – med målbare labresultater, og med tydelig dual-use.

Anthropic skriver rett ut at agentisk biologisk oppdagelse er dobbeltbruk. Uten robuste sperrer kan evnen også brukes til farlig forskning. Protein-design og annen dual-use biologi er derfor stengt i den mest kapable Fable 5-klassen for generell tilgang. Selskapet sier at et tilgangsprogram for forskere er høy prioritet. Inntil videre er Opus 5 den mest kapable allment tilgjengelige modellen. Promptene og dataene er lagt ut åpent, sammen med tekniske rapporter.

For et styre, en CISO eller en FoU-direktør i helse, biotech, kjemisk industri eller universitet er beslutningslisten konkret:

• Skill mellom beregning og terapi. 14 av 15 mål er et orkestreringsresultat, ikke en pipeline for godkjente legemidler. Ikke selg det internt som «vi kan designe drugs med chat».
• Behandle vitenskapsagenter som privilegerte systemer. Claude fikk nett, papirkorpus, Google Drive, Slack, Gmail, BioRxiv og GPU. Det er mer enn en chatbot. Det er identitet, dataklassifisering, eksportkontroll og sporbarhet.
• Krev uavhengig verifisering. Styrken i saken er at Adaptyv og Twist testet i lab. Interne «modellen sier det virker»-demos er ikke nok når neste steg koster syntese og klinikk.
• Sett dual-use før du åpner verktøyene. Hvis en generell modell kan kjøre protein- og kjemiarbeid, gjelder det også for ansatte uten formell biologirolle. Tilgangsprogram, formål, logging og forbudte målklasser må ligge i policy, ikke i slacken.
• Mål tid til verifisert resultat, ikke tokens. Anthropic bruker veggtid, H100-timer og labtreff. Det er riktig KPI-familie for FoU-agenter.

Hva dette ikke er

Dette er ikke bevis på at frontier-modeller kan kjøre hele legemiddelutviklingen. Anthropic sier selv at minibindere ikke er en standard terapeutisk modalitet, og at de bare har tatt første steg. Det er heller ikke et argument for å slippe Mythos-klasse biologi ut til alle ansatte. Tvert imot: selskapet blokkerer nettopp de evnene i den sterkeste allmenne linjen.

Det som er nytt, og som gjør saken til hovedsak, er kombinasjonen av autonom orkestrering og våtlabsjekk. Feltet har lenge hatt spesialmodeller. Nå viser en generell agent at den kan bruke dem, levere over feltets typiske treffrate, og samtidig minne oss på at den samme evnen er dual-use. For norske ledere er spørsmålet ikke om Claude «kan biologi». Spørsmålet er hvem som får lov til å la en agent røre forskningsdata, GPU-kø og labbestillinger – og hvordan dere beviser at svaret var riktig.

Kilder og medier

• Primærkilde: Anthropic, «How Claude is accelerating protein design and analytical chemistry», 18. august 2026 — https://www.anthropic.com/research/Claude-accelerates-protein-design
• source_name: Anthropic
• Teknisk rapport: Autonomous de novo protein binder design with Claude — https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf
• Åpne prompts og data: https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main
• Korroborering: Adaptyv Bio, «Benchmarking Claude's protein designs in the wet lab» — https://www.adaptyvbio.com/blog/anthropic-1
• Offisiell X-post: Anthropic, 18. august 2026 — https://x.com/AnthropicAI/status/2089842387845804246
• Thumbnail: OpenAI Image 2 / hogby.ai