大模型

Claude 蛋白质序列训练传闻与科学模型边界

有转载称 Claude 的预训练数据包含蛋白质序列,但 Anthropic 尚未确认。本文拆解证据、评估方法,以及 LLM 与科学工具结合的可行路径。

字号

有转载称 Claude 的预训练数据加入了大规模蛋白质序列,但 Anthropic 尚未确认。对开发者来说,重点不是模型会不会写蛋白,而是数据、benchmark 和湿实验能否形成闭环。

先拆新闻:训练了什么,还缺什么

这则消息来自 Hacker News 首页文章《Claude was trained on protein sequences at scale》。按草稿引用的页面状态,它有 103 分和 43 条评论。

开发者的问题很集中:Claude 的训练数据是否真的加入了蛋白质序列?如果加入了,规模有多大?占预训练数据的比例是多少?模型有没有公开相关 benchmark?

现有来源是一篇个人博客。文章称,Claude Opus 5.5 的训练数据包含大规模蛋白质序列,而不只是文本语料。原始链接:

http://xinmingtu.cn/blog/2026/claude-opus-5-5-protein-sequences/

但需要先划清证据边界:

  • Anthropic 尚未公开确认这条消息。
  • 转载没有给出具体数据量。
  • 没有披露蛋白质数据与文本数据的训练配比。
  • 没有提供结构预测、功能预测或湿实验相关评估结果。

所以,现阶段能确认的是“出现了这样的报道和讨论”,不能确认“Claude 已经具备稳定的蛋白质建模能力”。

这条消息值得关注,不是因为一个未证实的产品传闻,而是因为它指向了一个具体技术方向:LLM 的预训练数据可能从自然语言扩展到自然界中可检验的序列结构。

序列不是文本,但可以变成同一种监督信号

蛋白质不是文字。不过在机器学习里,它和文本有一个共同点:都能切分为离散 token,并使用 next-token prediction 训练。

最直接的编码方式,是把 20 种标准氨基酸映射为不同 token。例如:

amino_acids = list("ACDEFGHIKLMNPQRSTVWY")

token_to_id = {aa: i for i, aa in enumerate(amino_acids)}
sequence = "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ"
tokens = [token_to_id[aa] for aa in sequence]

assert len(tokens) == len(sequence)
assert set(tokens) <= set(token_to_id.values())

这段代码没有生物学知识。它只是把序列转换成整数。真正的学习发生在预训练目标中:给定前面的氨基酸,预测下一个氨基酸。

从机制上看,这类训练可能让模型学习三类规律:

  1. 氨基酸组成偏好。不同蛋白质的残基分布并不均匀。
  2. 局部生物物理约束。疏水残基、离子化残基和空间位阻会影响哪些片段更可能出现。
  3. 进化模式。保守位点、重复片段和结构域边界会在序列中留下统计信号。

需要强调:这是根据序列训练机制做出的技术推论,不是转载披露的 Anthropic 官方结论。

不过,这仍然不足以推出“模型已经理解蛋白质”。next-token prediction 学到的是分布和约束,不保证模型理解折叠机制,更不保证能设计出可表达、可纯化、可复现的蛋白质。

反共识:规模大不等于预测准

最容易被忽略的问题,是把“数据规模”和“任务准确率”画等号。

假设训练集里有数亿条蛋白质序列,模型仍可能犯几个基础错误:

  • 序列来自数据库,但标注质量不一致。
  • 同源序列高度重复,训练规模被高估。
  • 只有正向序列,缺少“什么不是有效蛋白质”的负样本。
  • 评估集与训练集过近,出现数据泄漏。
  • 序列相似,不代表功能相同。
  • 序列预测正确,不代表三维结构正确。
  • 结构接近,不代表结合亲和力符合预期。

真正决定科学价值的,往往不是最后几个百分点,而是评估协议是否可信。

对于蛋白质任务,一个合格的 benchmark 至少要说明数据切分方式、训练时间点、同源泄漏控制、指标定义,以及是否与湿实验结果对齐。缺少这些信息,某个模型的高分很难横向比较。

这也是 LLM 进入科学领域时常见的落差:模型可以在网页文本中解释 AlphaFold,也可以调用结构预测 API;但“知道工具怎么用”和“提出正确问题”仍是两件事。

从语言到蛋白质,共享的其实是对齐能力

通用 LLM 和专用科学模型更可能形成分工,而不是简单替代。

LLM 擅长处理自然语言、检索资料、拆解问题、组织实验方案,也擅长调用外部工具。专用模型更擅长在明确输入输出下做结构预测、能量计算、分子对接和量化模拟。

一个更现实的工作流是:

  1. LLM 从论文和数据库中找出候选靶点。
  2. 调用结构预测或量化工具。
  3. 根据失败结果修改设计。
  4. 生成实验方案和候选序列。
  5. 把实验反馈写回系统。

这里真正共享的,不是某个“万能大脑”,而是数据、工具和反馈之间的对齐能力。

如果模型在训练和推理中接触过蛋白质序列,它也许能更好地判断哪些序列片段值得调用结构预测工具;哪些突变需要交给物理模型计算;哪些候选需要优先送进湿实验。

这比“模型会不会写一段像样的蛋白质”更接近实际生产价值。

开发者该关注什么

接下来有四个可验证方向。

第一,序列与结构联合训练。

只学序列,模型无法直接判断折叠后的空间关系。加入结构、接触图和功能标签后,模型才可能把序列模式映射到三维结构。关键问题不是参数量,而是三种数据如何配比。

第二,工具调用是否形成闭环。

科学推理不能停在 token prediction。模型需要调用 Fold、分子对接、文献检索和量化模拟工具,并把计算失败或实验偏差反馈到下一轮设计。

第三,主动学习是否优于继续堆预训练数据。

如果候选序列已经被计算或实验验证,主动学习可以用少量高价值样本修正模型。这比无条件扩大语料池更省成本。

第四,公开 benchmark。

Anthropic 如果真的做了这类训练,至少应该披露:

  • 序列数据来源和去重方法。
  • 训练数据比例。
  • 与纯文本模型的对照结果。
  • 结构、功能和设计任务的独立评估。
  • 未见同源家族上的泛化结果。

在这些信息出现前,开发者可以先做小规模复现。一种可运行的方式,是比较“纯文本 prompt”和“结构化序列 prompt”对同一批蛋白质的解释质量:

from anthropic import Anthropic

client = Anthropic()

sequence = "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ"
prompt = f"""Analyze this protein sequence.
Sequence: {sequence}

Answer in JSON with these keys:
- likely_length_class
- likely_composition
- uncertainty

Do not infer a specific biological function without evidence.
"""

message = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=500,
    messages=[{"role": "user", "content": prompt}],
)

print(message.content[0].text)

代码依赖 anthropic Python SDK 和 ANTHROPIC_API_KEY。它不能证明 Claude Opus 5.5 接受过蛋白质序列训练,也不够构成科学评测;它只是提供一种低成本实验入口。真正有价值的实验,还需要结构标签、同源隔离的数据集,以及能验证输出的外部工具。

编辑思考

这次消息的重要性,不在于 Claude 突然掌握了生命科学,而在于 LLM 的预训练输入可能开始接近自然界中可检验的数据结构。文本事实可以停留在网页上,蛋白质序列却同时受生物物理、进化和实验约束。模型接触这类数据后,才可能把序列生成接入结构预测与实验迭代。

我的判断是,下一阶段更值得关注的不是更大的科学模型,而是更可靠的闭环:模型提出候选,计算工具筛选,实验返回结果,系统继续学习。通用 LLM 与专用模型会继续分工,不会由一个模型包办一切。

这次与过去不同之处,是问题开始从“模型能否解释科学”转向“模型能否利用可验证信号完成工作”。不过目前只有个人博客转载,训练规模、配比与评估结果都未公开。这个方向值得跟,但不值得先写成结论。

来源: http://xinmingtu.cn/blog/2026/claude-opus-5-5-protein-sequences/