קלוד במעבדה: איך ה-AI של אנתרופיק שובר שיאים בתכנון חלבונים

כשמדברים על בינה מלאכותית יוצרת, רובנו חושבים על כתיבת קוד, סיכום מיילים או יצירת תמונות. אבל המהפכה האמיתית מתרחשת כשהמודלים האלו יוצאים מהמסך ומתחילים להשפיע על העולם הפיזי. פריצת הדרך האחרונה של חברת Anthropic עם מודלי ה-Claude שלה בתחום הביולוגיה החישובית היא דוגמה מצוינת לכך: היא מוכיחה ש-AI הוא כבר לא רק עוזר כתיבה, אלא שותף מחקר שמסוגל לקצר תהליכים מדעיים מורכבים משבועות של עבודת מומחים לשעות בודדות.

הניסוי: 14 מתוך 15 מטרות הושגו

אנתרופיק פרסמה לאחרונה תוצאות של ניסוי מרתק שבו היא נתנה למודלים שלה (Claude Opus 4.8 ו-Mythos Preview) משימה שפעם נחשבה למדע בדיוני: לתכנן מאפס חלבונים (de novo protein design) שייקשרו למטרות ביולוגיות ספציפיות בגוף. מדובר בשלב קריטי ומוקדם מאוד בתהליך פיתוח תרופות, שבו מנסים לייצר "מפתח" (חלבון) שיתאים בדיוק ל"מנעול" (חלבון מטרה בגוף) כדי לחסום או להפעיל תהליך מסוים.

התוצאות היו מרשימות: קלוד הצליח לתכנן חלבונים שעבדו מול 14 מתוך 15 מטרות שנבחנו. כדי לוודא שלא מדובר רק בתיאוריה על מסך המחשב, העיצובים נשלחו למעבדות רטובות (Wet Labs) של החברות Adaptyv Bio ו-Twist Bioscience, שם הם יוצרו פיזית ונבדקו על אמת.

המספרים שמאחורי ההצלחה

מה שבאמת הדהים את החוקרים הוא לא רק עצם ההצלחה, אלא היעילות שלה:

• •שיעור הצלחה בתעשייה: בדרך כלל, בתכנון חלבונים ממוחשב, שיעור ההצלחה (Hit Rate) נע בין 10% ל-15%.
• •הביצועים של קלוד: המודלים של אנתרופיק הציגו שיעורי הצלחה של 22% עד 35%, תלוי בהגדרות הניסוי.
• •דירוג עצמי: כאשר קלוד התבקש לדרג את העיצובים הטובים ביותר שלו, שיעור ההצלחה של העיצובים במקום הראשון קפץ ל-49%.

בחלק מהמקרים, כמו מול החלבון RBX1, קלוד ייצר חלבונים שנקשרו למטרה בחוזקה הגבוהה פי 10 מהעיצובים הטובים ביותר שפורסמו עד היום בספרות המקצועית.

לא רק צ'אטבוט, אלא סוכן אוטונומי

הנקודה המעניינת ביותר עבורנו, אנשי הטכנולוגיה והקלאוד, היא לא הביולוגיה עצמה אלא הדרך שבה קלוד פעל. אנתרופיק לא בנתה מודל ביולוגי חדש. במקום זאת, היא השתמשה בקלוד כסוכן (Agent) שהפעיל שורה של כלים מקצועיים קיימים (כמו RFdiffusion, ProteinMPNN ו-AlphaFold).

המודל קיבל הנחיה (Prompt) ארוכה ומפורטת, והוא זה שניהל את כל שרשרת העבודה: הוא בחר את האסטרטגיה, הריץ את התוכנות על גבי תשתיות ענן, סינן את התוצאות הלא רלוונטיות וביצע אופטימיזציה. בני האדם היו שם רק כדי לאשר גישה לרשת ולשלוח את הקבצים הסופיים למעבדה. זהו שינוי פרדיגמה – המודל הופך למנהל פרויקט מדעי שמנצח על תזמורת של כלי תוכנה מורכבים.

מה זה אומר על העתיד?

חשוב להדגיש: אנחנו עדיין לא בנקודה שבה מבקשים מקלוד "תרופה לסרטן" ומקבלים מרשם. חלבון שנקשר למטרה הוא רק תחילת הדרך הארוכה של ניסויים קליניים ואישורים רגולטוריים. עם זאת, היכולת לקצר את שלב התכנון הראשוני משבועות של עבודה סיזיפית של דוקטורנטים לביצוע אוטונומי היא דרמטית.

המשמעות היא הורדה משמעותית של חסמי הכניסה למחקר ביולוגי וזירוז אדיר של פיתוח פתרונות למחלות. אם AI יכול להכפיל ולשלש את אחוזי ההצלחה במעבדה, אנחנו צפויים לראות גל של תרופות וטיפולים חדשים שיגיעו לשוק הרבה יותר מהר ממה שהתרגלנו.

למי שרוצה להעמיק בפרטים הטכניים, אני ממליץ לקרוא את הפוסט המלא בבלוג המחקר של Anthropic.

בשורה התחתונה: הבינה המלאכותית מתחילה לפתור בעיות בעולם האמיתי, והשילוב בין מודלי שפה חזקים לבין כלי מדע ייעודיים הוא אחד התחומים המרתקים ביותר לעקוב אחריהם בשנה הקרובה.