Neueste Entwicklungen im KI-gestützten Proteindesign und der analytischen Chemie

Sprachmodelle revolutionieren Proteindesign und analytische Chemie

Die Forschung im Bereich der Biowissenschaften steht möglicherweise an der Schwelle zu einer neuen Ära, angetrieben durch Fortschritte in der Künstlichen Intelligenz. Aktuelle Veröffentlichungen von Anthropic zeigen, wie Sprachmodelle wie Claude die Prozesse im Proteindesign und in der analytischen Chemie grundlegend verändern könnten. Diese Entwicklungen versprechen eine erhebliche Beschleunigung der frühen Phasen der Medikamentenentwicklung und könnten Laboren weltweit den Zugang zu hochentwickelten Designmethoden erleichtern.

Autonomes Proteindesign durch KI-Agenten

Anthropic hat in zwei Experimenten die Fähigkeiten ihrer Claude-Modelle (insbesondere Mythos Preview und Opus 4.8) im Kontext der frühen Medikamentenentwicklung evaluiert. Der Fokus des ersten Experiments lag auf dem Design sogenannter Minibinder. Dies sind kleine Proteine, die spezifisch an Zielproteine binden und deren Funktion blockieren oder modifizieren können – ein grundlegendes Prinzip vieler Arzneimittel. Das Design solcher Binder von Grund auf, bekannt als de novo Design, ist traditionell ein zeitaufwändiger Prozess, der umfangreiches Fachwissen und die Koordination spezialisierter Software erfordert.

Die Ergebnisse der Claude-Modelle waren bemerkenswert: Von 16 Zielproteinen, für die Binder entworfen wurden, konnten für 14 brauchbare Messungen erzielt werden. Insgesamt banden 354 von 1.320 im Labor getesteten Designs erfolgreich an ihr Ziel, was einer Trefferquote von 26,8 % entspricht. Betrachtet man nur die von Claude als erstplatziert eingestuften Designs, stieg die Erfolgsquote sogar auf 49 %. Im Vergleich dazu liegt die typische Erfolgsrate in Proteindesign-Kampagnen heute bei 10 % bis 15 %.

Besonders hervorzuheben ist der Fall des Immunsystems-Rezeptors RBX1, bei dem Claude eine Trefferquote von 40 % erreichte. In einem früheren Wettbewerb erzielten menschliche Experten lediglich 3,7 %. Das beste von Claude entworfene RBX1-Bindemittel zeigte eine Bindungsstärke von 3,9 nM, während das Gewinnerdesign des menschlichen Wettbewerbs bei 45 nM lag – ein zehnfach stärkerer Bindungseffekt. Diese Daten legen nahe, dass die KI nicht nur effizienter, sondern in bestimmten Fällen auch effektiver als menschliche Experten agieren kann.

Claude als Orchestrator wissenschaftlicher Tools

Anthropic betonte, dass Claude keine eigenen Proteinmodelle entwickelte, sondern als intelligenter Orchestrator bestehender Open-Source-Spezialsoftware fungierte. Das Sprachmodell installierte und führte Programme aus öffentlichen Code-Repositories aus, kombinierte sie in 24 verschiedenen Workflows und lieferte eine fertige Rangliste von Kandidaten, ohne dass ein Mensch in die Designentscheidungen eingreifen musste. Die räumlichen Gerüste der Proteine (Backbones) wurden unter anderem von PXDesign, RFdiffusion3 und Genie 3 generiert, während die Aminosäureketten hauptsächlich von SolubleMPNN berechnet wurden. Zur Filterung und Rangfolge der Kandidaten kamen Werkzeuge wie ESMFold2 und Protenix v2 zum Einsatz, die die Faltung von Binder und Zielprotein vorhersagen und eine Konfidenzbewertung für die Bindung liefern.

Ein etwa 16.000 Wörter umfassender Protokoll-Prompt diente als System-Prompt für jeden Agenten. Dieser Prompt enthielt wissenschaftliche Anleitungen, eine Leseliste sowie Anweisungen zur Zeitplanung, Delegation an Sub-Agenten, Verifizierung und Budgetdisziplin. Die Wahl der genauen Bindungsstelle (Epitop) auf der Proteinoberfläche wurde dabei nicht vorgegeben.

Die experimentelle Validierung erfolgte durch externe Vertragslabore, Adaptyv Bio und Twist Bioscience, die die von Claude entworfenen Proteine biologisch synthetisierten und deren Bindungsfähigkeit und -stärke unabhängig maßen. Dies verleiht den Ergebnissen eine hohe Glaubwürdigkeit, da sie nicht nur auf Simulationen beruhen.

Herausforderungen und Grenzen

Trotz der vielversprechenden Ergebnisse wurden auch Grenzen des Systems aufgezeigt. Bei einigen Zielproteinen, wie dem synthetischen BBF-14 oder dem bakteriellen Maltose-bindenden Protein (MBP), waren die Erfolgsraten gering oder nicht existent. Dies deutet darauf hin, dass die KI, ähnlich wie menschliche Designer, bei ungewöhnlichen oder besonders glatten Proteinoberflächen an ihre Grenzen stößt. Die Konfidenzwerte der Faltungsvorhersage warnten in diesen Fällen nicht vor dem Misserfolg.

Anthropic weist zudem darauf hin, dass es keine parallele Kampagne menschlicher Experten als Kontrolle gab. Es wird nicht behauptet, dass Claudes Designs besser sind als das, was Spezialisten mit denselben Werkzeugen und Budgets erreichen könnten. Die gemessenen Parameter beschränkten sich auf die Bindungsfähigkeit; die tatsächliche räumliche Form oder biologische Wirkung der Proteine wurde nicht strukturell aufgelöst oder umfassend untersucht.

Automatisierte chemische Analyse

In einem zweiten Experiment demonstrierte Claude Opus 5 seine Fähigkeiten in der analytischen Chemie. Das Modell interpretierte Rohdaten aus zwei Standardmessverfahren: der Kernspinresonanzspektroskopie (NMR) und der Flüssigkeitschromatographie mit Massenspektrometrie (LC-MS). Diese Analysen, die Chemikern Aufschluss über die Identität und Reinheit einer Substanz geben, erfordern normalerweise manuelle Auswertung proprietärer Dateiformate.

Claude lieferte die Ergebnisse aus den Rohdateien und kurzen Prompts in nur 23 bzw. 19 Minuten. Für die LC-MS-Datei, die in einem undokumentierten Format vorlag, dekodierte das Modell das Format selbstständig und reproduzierte die Zusammenfassungswerte des Instruments exakt. Bei der NMR-Analyse schlug Claude dasselbe Folgeexperiment vor, das das Labor bereits drei Tage zuvor eigenständig durchgeführt hatte, und korrigierte einen eigenen Fehler in der Signalzählung. Die vom Modell berechneten Reinheitswerte stimmten weitgehend mit denen des Labors überein.

Diese Fähigkeit, komplexe Rohdaten autonom zu verarbeiten und zu interpretieren, könnte den Zeitaufwand für Routineanalysen drastisch reduzieren. Während ein Chemiker für eine solche Analyse 30 Minuten bis eine Stunde pro Probe benötigt und ein Laborbericht mehrere Tage dauern kann, erstellte Claude den Bericht innerhalb von 25 Minuten.

Implikationen für die Biowissenschaften und B2B-Anwendungen

Die Ergebnisse von Anthropic legen nahe, dass Sprachmodelle das Potenzial haben, als autonome Agenten in komplexen wissenschaftlichen Workflows zu agieren. Indem sie die Orchestrierung spezialisierter Tools übernehmen und menschliche Eingriffe in Designentscheidungen minimieren, könnten sie den Zugang zu hochmodernen Forschungsmethoden demokratisieren. Dies ist besonders relevant für B2B-Kunden im Bereich der Pharma- und Biotechnologie, da es die Effizienz in der Medikamentenentwicklung erheblich steigern und Kosten reduzieren könnte. Kleinere Labore könnten ohne den Aufbau großer Bioinformatik-Teams auf fortschrittliche Proteindesign-Fähigkeiten zugreifen.

Anthropic hat alle Prompts, Designdaten und Messdatensätze auf Hugging Face veröffentlicht, was die Reproduzierbarkeit der Kampagne und die Nutzung der Daten als Benchmark ermöglicht. Dies fördert die Transparenz und die weitere Forschung in diesem aufstrebenden Feld.

Die duale Nutzung der Technologie, die sowohl medizinische Fortschritte als auch potenzielle Risiken birgt, wird von Anthropic ebenfalls thematisiert. Das Unternehmen arbeitet an geschützten Zugangsprogrammen für Wissenschaftler und implementiert Sicherheitsmechanismen, um den Missbrauch der Technologie zu verhindern.

Insgesamt markieren diese Entwicklungen einen wichtigen Schritt in Richtung einer stärkeren Integration von KI in die experimentellen Wissenschaften. Die Fähigkeit von Sprachmodellen, nicht nur Texte zu generieren, sondern auch komplexe wissenschaftliche Aufgaben zu orchestrieren und Daten zu analysieren, eröffnet neue Horizonte für Forschung und Entwicklung in den Biowissenschaften.

Bibliografie

- Anthropic. (2026, August 18). How Claude is accelerating protein design and analytical chemistry. Anthropic Research. Verfügbar unter: https://www.anthropic.com/research/Claude-accelerates-protein-design - Anthropic. (2026, August 19). Autonomous de novo protein binder design with Claude [PDF]. Verfügbar unter: https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf - Adaptyv Bio. (2026, August 19). Case study: Benchmarking Claude’s protein designs in the wet lab. Verfügbar unter: https://www.adaptyvbio.com/blog/anthropic-1 - Constantin, A. M. (2026, August 19). Anthropic says Claude designed working protein binders, and beat human experts on some. The Next Web. Verfügbar unter: https://thenextweb.com/news/anthropic-claude-protein-design-chemistry - Ezzah. (2026, August 19). Claude Protein Design: 14/15 Targets And 35.1% Hit Rate Explained. Binaryverse AI. Verfügbar unter: https://binaryverseai.com/claude-protein-design-binders-hit-rate/ - India Today. (2026, August 19). Anthropic says Claude can now design proteins and analyse lab data. Verfügbar unter: https://www.indiatoday.in/technology/story/anthropic-claude-protein-design-raw-lab-data-chemistry-research-2974779-2026-08-19 - RuntimeWire. (2026, August 18). Anthropic says 354 Claude protein designs bound in lab tests. Verfügbar unter: https://runtimewire.com/article/anthropic-claude-autonomous-protein-binder-design - Schreiner, M. (2026, August 19). Anthropic says any lab can now let a language model agent run the whole protein design stack. The Decoder. Verfügbar unter: https://the-decoder.com/anthropic-says-any-lab-can-now-let-a-language-model-agent-run-the-whole-protein-design-stack/ - WebProNews. (2026, August 19). Claude Designs Real Protein Binders That Stick in the Lab. Verfügbar unter: https://www.webpronews.com/claude-designs-real-protein-binders-that-stick-in-the-lab/