Anthropic 把 Claude 用进真实药物开发流程。值得关注的不只是它能生成实验方案,而是结果能否复现、实验能否闭环。
原文链接:https://www.anthropic.com/research/early-progress-drug-development
Anthropic 将这项工作描述为 early progress,而不是最终临床结果。这个措辞需要保留。药物研发不能止于把论文变成一份合理计划。每次判断都要接受真实实验的检验。
相关报道登上 Hacker News 首页,获得 225 points 和 215 条评论。讨论规模说明开发者很关心。更关键的问题是:Anthropic 展示了什么,又没有展示什么?
新闻到底公布了什么
这项研究聚焦 Claude 在药物开发中的早期应用。公开摘要没有给出获批药物或临床试验结果,也没有披露完整项目数据。
目前可以确认的信息有三条:
- Anthropic 发布了《Early progress on accelerating drug development with Claude》。
- 研究对象是 Claude 在真实药物研发流程中的早期应用。
- Anthropic 将成果描述为药物开发加速的“early progress”,并未把它表述为最终临床结论。
但公开摘要没有披露:
- 具体药物名称;
- 实验周期;
- 成本;
- 成功率;
- 可供横向比较的对照基准。
因此,现阶段只能说 Claude 已参与某些研发环节。不能据此断言它提高了药物研发成功率,也不能推导它缩短了药物上市周期。
这也是评估 AI for Science 时常见的问题。摘要擅长讲覆盖面,读者真正需要的却是分母:做了多少次实验?失败多少次?原本由多少名专家花多少时间完成?Claude 节省的是写报告的时间,还是减少了无效实验?
药物研发不是聊天任务
药物研发有一条硬依赖链:
靶点 → 候选分子 → 湿实验 → 临床验证
靶点指药物试图干预的生物机制。候选分子只是可能作用于该靶点的化学结构。接下来要进入湿实验,测结合活性、选择性、毒性、代谢和细胞效应。之后还要经过动物实验、临床试验和监管审批。
每一层都在淘汰上一层的候选。
一个分子在论文里看起来合理,不等于它在细胞里有活性。有细胞活性,不等于动物体内有效。动物有效,也不等于人体安全有效。
Claude 生成实验方案,和实验方案产生可采信结果,是两件事。后者至少需要:
- 预先定义的假设;
- 对照组和样本量;
- 原始实验记录;
- 失败样本的处理规则;
- 可重复的操作步骤;
- 外部实验室的复现。
所以,“模型能写出合理的方案”只能证明它在接口层工作。它不能自动跨过靶点选择、实验失败和临床风险这几道关。
通用 LLM 的优势在接口层
Claude 在这类任务里的优势,不是取代生物信息软件,而是做信息整合。
药物研发资料分散在论文、专利、临床试验注册、化合物数据库和内部实验记录里。同一靶点可能对应几十种机制描述。Claude 可以先读这些材料,再把证据整理成可审查的操作草案:已有结论是什么,证据来自哪里,还有哪些变量需要实验确认。
它也适合生成替代假设。例如,针对一个靶点,列出几条作用路径,并为每条路径对应候选分子、实验读数和淘汰条件。
但 Claude 不应越过工具边界。结构预测、序列比对、化合物检索和分子性质计算,应交给专用工具。Claude 更合理的角色是编排这些工具,而不是凭语言概率猜出一个蛋白结构。
一个可执行的接口大致是:
from anthropic import Anthropic
client = Anthropic()
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1200,
messages=[
{
"role": "user",
"content": (
"你是药物研发助手。根据以下实验记录列出:"
"1)支持结论的证据;2)相互矛盾的证据;"
"3)下一轮最小湿实验设计;4)淘汰标准。"
"不要补造未提供的数值。\n\n"
"实验记录:处理组细胞活力为对照组的 65%,"
"但重复批次差异较大,尚未完成剂量梯度实验。"
),
}
],
)
print(response.content[0].text)
这段代码展示的是工作方式:模型负责整理证据、提出下一轮实验;数值来自记录;模型被明确要求不要补造缺失信息。
这也解释了为什么通用 LLM 放在接口层有价值。它不需要成为每一个专业系统的替代品。只要能稳定调用数据库、分析工具和实验平台,并把中间结果保留下来,它就能成为统一入口。
社区争议集中在可验证性
Hacker News 的 225 points 和 215 条评论,把争议集中到了可验证性。
质疑并非“AI 不该进实验室”这么简单,而是几个具体问题:
- 原始实验记录是否公开?
- 是否有不使用 Claude 的对照组?
- 一轮实验实际用了多久?
- 推理和工具调用的总成本是多少?
- Claude 提出的方案有多少真正进入实验?
- 有没有成功案例,也有失败案例?
- 结果能否由另一家实验室复现?
Anthropic 的公开摘要没有提供具体药物、实验周期、成本、成功率或对照基准。这意味着目前的公开证据不足以判断加速幅度。
这也是论文摘要与可复现研究之间的差距。摘要可以说明方向。完整评估则需要更多材料:任务定义、数据版本、提示词、工具调用轨迹、失败案例和实验协议。
对于企业采购者,我会把供应商能否导出完整审计记录列为首要条件。每次模型调用用了哪些上下文,调了哪些工具,生成了什么草案,人做了什么修改,都应该落盘。否则,后续没人能解释某个决策是怎样形成的。
评测应从速度转向决策质量
“生成方案快多少”很容易测,却不是最有业务意义的指标。
药物研发真正该看的,是模型有没有帮助团队减少无效劳动,并在有限预算下做出更好的实验决策。
至少需要四类指标:
1. 实验命中率
模型提出的候选方案进入湿实验后,有多少产生有效信号?这里的“有效”不能只写成功。也要统计无效实验率,避免模型用大量碰运气的方案刷出少数成功。
2. 失败样本解释能力
真实研发中,失败是常态。模型能否区分机制错误、剂量错误、批次问题和测量误差?这比生成一个漂亮假设更重要。
3. 预算约束下的决策质量
把成本和实验次数设为硬约束,再比较实验组合。候选数量增加,不代表项目更可能成功。
4. 跨实验室复现率
同一份模型草案,由不同团队按统一协议执行,结果是否一致?如果只能靠一位专家不断修正才能落地,泛化能力仍然有限。
一个更接近研发现场的评测集,应该按项目切分数据,按时间保留训练边界,并记录从模型建议到实验结果的全过程。只拿最终报告做文本评分,无法测出决策质量。
编辑思考
Claude 在药物研发里的意义,目前更像是把零散证据整理成可审查的操作草案,而不是替代药物学家。通用 LLM 的长处恰好在接口层:读材料、串工具、列冲突证据、生成下一轮实验。真正的门槛仍在湿实验和临床验证。
我的判断是,AI for Science 接下来会被拆成两类产品:一类继续用“阅读速度”融资;另一类开始展示实验命中率和复现记录。后者的数量不会很快多,但更接近客户真正愿意付钱的地方。
这次与过去几次 Agent 演示不同:它进入了有硬指标、昂贵耗材和明确淘汰规则的研发流程。也因此,公开摘要里缺少药物、周期、成本、成功率和对照基准,不是无关紧要的信息,而是当前最关键的信息。现有材料还不足以证明 Claude 缩短了临床上市周期;需要等完整实验数据,以及独立实验室复现后,才能下结论。
来源
https://www.anthropic.com/research/early-progress-drug-development