Anthropic hat am 20. August Ergebnisse veröffentlicht, die auf eine neue Rolle von Sprachmodellen in der Biotechnologie hindeuten: Ein KI-Agent auf Basis von Claude hat eigenständig sogenannte Proteinbinder entworfen — und bei 14 von 15 Zielproteinen funktionierten sie im Labor tatsächlich. Zwei unabhängige Biotech-Unternehmen haben die Moleküle hergestellt und getestet.
Was genau getestet wurde
Proteinbinder sind maßgeschneiderte Eiweißmoleküle, die sich gezielt an ein bestimmtes Zielprotein anlagern. Sie sind Grundbausteine für Diagnostik und Wirkstoffforschung. Bislang ist ihr Entwurf ein aufwendiger Prozess, bei dem erfahrene Forschungsteams Rechenverfahren und Laborzyklen kombinieren.
In der Kampagne übernahm ein einzelner Agent den gesamten Ablauf: Recherche zum Zielprotein, Auswahl frei verfügbarer Rechenwerkzeuge, Eingrenzung der Kandidaten und Priorisierung der Sequenzen, die anschließend synthetisiert wurden. Menschliche Fachleute steckten vorab das Protokoll ab, griffen während der Ausführung aber nicht wissenschaftlich ein.
Die Zahlen aus dem Bericht:
- 354 bestätigte Binder aus 1.320 Designs über 15 Zielproteine hinweg
- Trefferquoten von 26,7 Prozent (Modell „Mythos Preview") und 22,6 Prozent (Opus 4.8) im Modus mit mehreren Zielen
- 35,1 Prozent, wenn sich Mythos Preview 24 Stunden lang auf ein einzelnes Ziel konzentrierte
- Zum Vergleich: In der Fachwelt gelten 10 bis 15 Prozent als üblich
- Rechenaufwand: bis zu 12.500 H100-GPU-Stunden innerhalb von 48 Stunden
- How Claude is accelerating protein design and analytical chemistry — Anthropic
- Autonomous de novo protein binder design with Claude (PDF) — Anthropic
- Anthropic says Claude designed working protein binders, and beat human experts on some — The Next Web
- Claude Runs Autonomous Protein Design Campaign: Wet Lab Confirms Twice Industry Hit Rate — Tech Times
Besonders deutlich fiel das Ergebnis beim Zielprotein RBX1 aus: Dort erreichte das Modell laut Anthropic eine Trefferquote von 40 Prozent, während vergleichbare Einreichungen eines Wettbewerbs bei 3,7 Prozent lagen. Beim Entzündungsbotenstoff TNFα entwarf Opus 4.8 Binder, die zugleich an der menschlichen, der Javaneraffen- und der Mausvariante andockten — eine Eigenschaft, die für präklinische Studien praktisch wertvoll ist.
Auch Fehlschläge dokumentiert
Bemerkenswert ist, dass der Bericht die Misserfolge nicht ausspart. An einem künstlich entworfenen Beta-Barrel-Protein (BBF-14) kam das System nur auf drei Binder mit schwacher Affinität, und beim maltosebindenden Protein band keines von 90 Designs. Anthropic beschreibt außerdem einen Fall, in dem das kleinere Modell dort erfolgreich war, wo das stärkere versagte — ohne erklären zu können, warum.
Zusätzlich zum Proteindesign wurde Claude auf analytische Chemie angesetzt. Eine NMR-Auswertung erledigte das Modell in 23 Minuten, eine LC-MS-Analyse in 19 Minuten. Bei einer Reinheitsbestimmung kam es auf 96,4 Prozent, das Labor auf 96,33 Prozent.
Die Kehrseite: Dual-Use
Genau dieselbe Fähigkeit, die Medikamentenentwicklung beschleunigen kann, lässt sich missbrauchen. Anthropic benennt das Risiko selbst und zieht daraus eine ungewöhnliche Konsequenz: Im leistungsfähigsten allgemein verfügbaren Modell Claude Fable 5 bleiben Aufgaben zum Proteindesign gesperrt. Frei zugänglich ist über Opus 5 nur der Bereich analytische Chemie. Für Forschende ist ein Programm mit geprüftem Zugang angekündigt.
Damit reiht sich der Fall in eine Entwicklung ein, die wir in diesem Jahr mehrfach beobachtet haben: Labore stufen einzelne Fähigkeiten ihrer Modelle als zu heikel für den offenen Zugang ein — ein Muster, das auch die Debatte in der KI-Sicherheit prägt.
Was bedeutet das?
Zur Einordnung gehört ein deutlicher Vorbehalt: Die Ergebnisse stammen von Anthropic über die eigenen Modelle und haben kein externes Peer-Review durchlaufen. Dass mit Adaptyv Bio und Twist Bioscience zwei externe Labore die Moleküle physisch hergestellt und vermessen haben, ist gewichtiger als ein reiner Benchmark-Wert — ersetzt eine unabhängige Begutachtung aber nicht.
Ebenso wichtig: Anthropic stellt selbst klar, dass Proteinbinder keine Medikamente sind. Ein Molekül, das im Reagenzglas fest an sein Ziel bindet, steht am Anfang eines Weges, der über Wirksamkeit, Stabilität und Verträglichkeit führt und meist Jahre dauert.
Interessant ist deshalb weniger der Trefferquoten-Rekord als die Arbeitsweise. Verwendet wurden öffentlich verfügbare Werkzeuge; neu ist, dass ein Allzweckmodell sie selbstständig orchestriert, statt dass ein Spezialmodell für genau diese Aufgabe trainiert wird. Sollte sich das bestätigen, verschiebt sich der Engpass in der Forschung von der Rechenphase zur Laborvalidierung — und die bleibt teuer. Wer Claude bislang als Schreib- und Programmierwerkzeug kennt, sieht hier eine Richtung, in die sich Allzweckmodelle bewegen könnten.