LONDON (IT BOLTWISE) – Anthropic berichtet von deutlich besseren Ergebnissen beim computergestützten Proteindesign mit Claude. In Tests zur Identifikation proteinbindender Moleküle erreicht das System bei 14 von 15 Zielproteinen Trefferquoten zwischen 22,6 und 35,1 Prozent. Eine autonome Designkampagne liefert für 15 ausgewertete Targets 1.320 Designs, davon binden 354 an das jeweilige Ziel. Gleichzeitig zeigt Opus-Modelleinsatz schnelle Auswertungen von NMR- und LC-MS-Daten in zweistelligen Minuten.
Wenn KI-Systeme im Labor nicht nur beraten, sondern gleich ganze Schritte der Forschung autonom anstoßen, verschiebt sich das Risiko- und Qualitätsverständnis oft früher als der Produktivbetrieb. Genau dort setzt die jüngste Leistungsbeschreibung von Anthropic für die Claude-Serie an: In computergestützter Biologie werden proteinbindende Moleküle nicht ausschließlich aus Vorschlägen zusammengesetzt, sondern in Testreihen weitgehend selbst entworfen und anschließend auf Bindungserfolg geprüft. Für Entwickler und Entscheider ist dabei weniger die Schlagzeile entscheidend als die technische Kette: Von der Generierung über die Tool-Orchestrierung bis zur Auswertung, die am Ende in Kennzahlen wie Trefferquote oder KD-Wert (Dissoziationskonstante) mündet.
In der beschriebenen Evaluierung ging es um die Suche nach Proteinbindern für 15 Zielproteine. Claude erreichte bei 14 Targets einen Erfolg; die gemeldeten Trefferquoten lagen dabei zwischen 22,6 und 35,1 Prozent. Damit wird ein Bereich adressiert, der laut Quelle für die Branche im Schnitt bei 10 bis 15 Prozent liegt. Auffällig ist vor allem die Spannbreite: Nicht jedes Zielprotein reagiert gleichermaßen auf die Designstrategie, aber die oberen Werte deuten darauf hin, dass die Modelle Muster in Sequenz- und Strukturraum so gut internalisieren, dass sie in einem großen Suchraum wiederholt in bindungsnahe Regionen treffen.
Noch plastischer wird der Ansatz in einer autonomen Kampagne, die sich laut Angaben gegen insgesamt 16 Zielproteine richtete. Davon wurden 15 wissenschaftlich ausgewertet. Das System generierte 1.320 unterschiedliche Designs, von denen 354 eine Bindung an das jeweilige Target eingingen. Daraus ergibt sich eine Trefferquote von rund 27 Prozent. Besonders konkret wird die Einordnung am Beispiel RBX1: Hier lieferte Claude 90 Entwürfe, 28 davon banden erfolgreich. Die Bindungsaffinität wird mit einem KD-Wert von 3,9 nM angegeben; zum Vergleich nennt die Quelle frühere Lösungen mit etwa 45 nM. Solche Kennzahlen sind wichtig, weil sie nicht nur „ja/nein“ abbilden, sondern über die Affinität einen Eindruck geben, wie gut die erzeugten Moleküle tatsächlich zur biologischen Zielstruktur passen.
Die technische Grundlage soll dabei über „Claude Science“ laufen, eine spezialisierte Plattform, die laut Beschreibung bereits Ende Juni eingeführt wurde. Im Kern geht es um die Kopplung großer Sprachmodelle an etablierte Proteinforschungs-Frameworks und Datenquellen. Die Plattform integriert mehr als 60 wissenschaftliche Datenbanken und nutzt Werkzeuge wie RFdiffusion, ProteinMPNN und AlphaFold. Das adressiert ein klassisches Engpassproblem im Proteindesign: Viele Teams können einzelne Teilaufgaben (z. B. Strukturvorhersage oder Design-Guidance) gut abdecken, aber die durchgängige Pipeline von Input-Daten bis zu synthetisierbaren Kandidaten erfordert meist zusätzliche Engineering- und Datenintegrationsarbeit. Wenn das Modell diese Werkzeuge orchestrieren kann, wird die Systemlogik näher an dem, was Laborteams wirklich benötigen: designbare Vorschläge plus nachvollziehbare Interpretationen für die nächsten Schritte.
Neben der Designphase geht es in der Meldung auch um die nachgelagerte Analyse. Das Modell Opus wird dabei für Auswertungen von Daten aus der Kernspinresonanzspektroskopie (NMR) sowie aus der Kopplung von Flüssigkeitschromatographie und Massenspektrometrie (LC-MS) in kurzer Zeit dargestellt. Für die NMR-Analyse nennt die Quelle 23 Minuten, für die LC-MS-Daten 19 Minuten. Als Ergebnis wird eine Reinheit der identifizierten Substanzen von 96,4 Prozent berichtet; der Vergleichswert liegt bei 96,33 Prozent. Auch wenn solche Zahlen stark vom Messaufbau und den Datensätzen abhängen, zeigen sie vor allem, dass KI-Workflows nicht zwangsläufig nur „Model-in-the-loop“ sein müssen, sondern auch „Analyse-in-the-loop“ effizient abdecken können.
Entscheidend für die Bewertung bleibt allerdings ein Punkt, den die Quelle selbst relativiert: Die Ergebnisse hätten bisher noch kein Peer-Review-Verfahren durch unabhängige Wissenschaftler durchlaufen. Das bedeutet für die Praxis, dass sich der Einsatz in Pilotprojekten eher an internen Validierungsplänen orientieren sollte, statt die Leistungswerte als endgültigen wissenschaftlichen Konsens zu behandeln. Dennoch signalisiert der Ansatz Richtung Pharmaindustrie und Biotechnologie, weil frühe Phasen der Medikamentenentwicklung potenziell schneller werden könnten, wenn die Suche nach geeigneten Proteinbindern nicht linear über viele Iterationen läuft, sondern Trefferquoten systematisch erhöht. Gerade bei der Planung von Versuchsreihen und der Priorisierung von Kandidaten wirkt eine höhere Trefferwahrscheinlichkeit direkt auf Kosten, Zeit und Ressourcenbindung.
Damit stellt sich für Organisationen die praktische Frage, wie man solche KI-Pipelines verantwortbar integriert. In der Quelle wird der Hinweis auf rechtliche Rahmenbedingungen über den EU AI Act gemacht und es wird ein Umsetzungsleitfaden für Hochrisiko-KI-Anwendungsfälle in Aussicht gestellt. Für Entscheider heißt das: Unabhängig davon, ob ein konkreter Anwendungsfall am Ende als Hochrisiko eingestuft wird, sollte die Engineering-Realität der Pipeline dokumentiert werden – insbesondere Datenflüsse, Modellgrenzen und die Rolle menschlicher Freigaben in Design- und Analysephasen. Denn je näher KI-Systeme an „autonome“ Schritte in der Forschung rücken, desto wichtiger werden Nachvollziehbarkeit und Governance, damit die Laborarbeit nicht durch nicht erklärbare Modellentscheidungen blockiert oder rechtlich riskant wird.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Anthropics KI Claude verdoppelt Trefferquoten beim Proteindesign" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Anthropics KI Claude verdoppelt Trefferquoten beim Proteindesign" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Anthropics KI Claude verdoppelt Trefferquoten beim Proteindesign« bei Google Deutschland suchen, bei Bing oder Google News!