--- layout: post.njk source: https://yage.ai/share/anthropic-drug-development-legwork-20261029.html web_feed: articleId: cmvvlrolx00059eye28hr9ojn feedSourceId: webfeed_yage_ai guid: https://yage.ai/share/anthropic-drug-development-legwork-20261029.html sourceUrl: https://yage.ai/share/anthropic-drug-development-legwork-20261029.html speaker: yage.ai title: |- 连模拟器都算不出的新药，Claude 是怎么靠换题、修 Bug 和当项目经理做出来的？ date: '2026-10-29' summary: 文章探讨了大型语言模型（如Claude）在药物研发等复杂工程领域中的实际应用，指出AI的价值不在于替代科学家做出重大科学决策，而在于解决工程中的具体瓶颈问题。具体表现为：通过文献模块重组和静态几何代换来解决物理模拟器无法处理的动态结构问题；通过修改代码和调整参数来优化搜索算法，解决搜索算法卡死和分子粘连问题；以及通过分析原始仪器曲线来发现并修正仪器软件的漏洞。此外，AI还能作为项目经理，通过管理跨机构外包实验室和合规文书，有效压缩项目管理成本，为罕见病药物研发提供支持。 area: tech-engineering category: debugging tags: - ai-application - debugging - software-development - tech-trends - ai-workflow people: - Claude companies_orgs: - Anthropic - Generate Biomedicines - Divergence Labs - BigHat Biosciences - Enveda - The Column Group - Mithril Medicine products_models: - Claude - AlphaFold media_books: [] draft: true status: evergreen --- 大家讨论AI做新药，往往想象的是一个超级大脑在屏幕上计算出神奇药物。然而，真正的制药工业中的瓶颈问题则恰恰相反。美国FDA在过去五年中发出的首轮拒批信显示，高达74%的退回原因是工厂生产和质量控制的问题，而非药物本身。在制药企业中，分析化学家需要将75%的时间用于手工核对数百页手写扫描的生产记录，以确保操作员没有漏写签名和天平是否按时校准。即使在分子设计的领域，科学家也常常苦于缺乏可靠的物理模拟器或实验室精密仪器的软件报错。 这种骨感的工程现实，在一周前 Anthropic 自己公布的一场蝎毒蛋白测试里刚刚给过全行业一次教训。当时计算团队动用大模型驱动蛋白质设计工具，在几十个小时里生成了 31.8 万个候选蛋白，送进实验室真刀真枪一测，只有十几个能沾上毒素表面，能真正中和毒性的抗毒血清是 0 个。几天后的 10 月 27 日，Anthropic 却交出了一份截然不同的药物研发进展报告，披露他们与 Generate Biomedicines、Divergence Labs、BigHat Biosciences、Enveda、The Column Group 及百时美施贵宝这六家机构深入管线合作，拿到了超越现有临床标准药的实验室活性数据，还全资收购组建了自营制药公司 Mithril Medicine。生物世界连可靠的模拟器都还没有普及，一个大语言模型到底靠什么推进新药研发，答案就藏在这些真实的工程泥潭里。 ## 连物理模拟器都彻底失灵的地方，AI 怎么帮科学家换一道题？ AlphaFold 拿诺奖后，很多人都觉得搞定蛋白质的三维结构就自然能造出新药。可现有的三维结构模拟器有个先天能力边界，它们只擅长对付像刚性积木那样有固定三维形状的分子。一旦碰上在细胞里像软面条一样随时晃动、没有固定形状的柔性结构，或是慢动作把锁撬开的动态物理过程，现有的模拟软件会彻底抓瞎。 面对这种连模拟器都交白卷的死局，死磕三维物理结构根本是死胡同。Claude 在两家合作药企里面干的活，就是帮科学家换一道能算的题。 Generate 的抗癌免疫细胞改造项目，要把免疫细胞里负责拉警报的一截长尾巴大幅剪短，来为装载基因指令的纳米小车腾出空间装其他抗癌装备。但问题是这截报警尾巴就是一根没有固定三维形状的软面条，物理模拟器没法计算怎么剪。Claude 就干脆放弃了三维几何模拟，转而翻遍了两百多篇免疫学文献，把不同免疫细胞里现成的短信号模块整理成词典，在保留核心报警开关的前提下像拼乐高积木一样重新排列组合。靠着这种查词典拼积木的换题思路，研究团队把这条尾巴的体积砍短了约七成，在实验室里不仅没丢掉杀癌功能，反而让免疫细胞表面的癌细胞探测器产量暴增了约 10 倍。 同样的换题直觉，也用在 Divergence 的重度食物过敏新药研发上。现有的过敏药只能拦截血液里游离漂浮的过敏分子，对已经死死扣在免疫细胞表面的过敏引信束手无策。要想真正拆雷，新药必须把已经扣在细胞上的过敏分子强行撬下来，但模拟软件只能算静态贴合紧不紧，算不出怎么慢动作撬锁。Claude 读完结构文献后，把这道动态撬锁题换成了一道静态几何题。它发现过敏分子之所以扣得死，是因为中间有个像门折页一样的弯折铰链，只有折页张开到位时才能死死咬住细胞表面。只要设计一个小楔子卡在折页旁，逼这个铰链锁死在半合拢的别扭角度，锁自己就会松开。顺着这个思路，Claude 在一个月里把早期搜寻周期从传统的九个月压缩到三四周，实验室实测中有 20 个设计成功把过敏分子从细胞表面撬了下来，其中 3 个效果超过了目前的临床标准药物。 传统三维模拟器在软面条尾巴与动态撬锁难题前卡死，而 Claude 通过文献模块重组与门折页静态几何代换完成换题破局 ## 现成软件卡在死胡同、实验仪器还在报假账，AI 怎么下场修 Bug？ 就算有了现成的计算软件，甚至有机器人实验室可以每周自动测试上千个蛋白质，研究依然经常陷入瓶颈。拦路的是两个令人哭笑不得的工程墙，一个是搜索算法原地转圈，另一个是实验室的测量仪器自己报假账。 在Claude介入之前，计算机优化药物序列的搜索算法，就像一个盲人，只会往高处走，往往在某个局部小土包上转来转去，无法自拔，只能生成一个又一个长得一样的分子。更糟糕的是，算法为了凑高分，还会让设计出来的分子抓错位置，或者在表面留下一块强力胶一样的油腻斑块，一旦进入高浓度的药液就会相互粘连成块。Claude并没有老老实实当一个只会按按钮的操作工，它直接钻进了采样软件的底层，修改了代码，加入了一套冷暖交替的温控机制，一旦发现搜索算法卡在了一个局部小土包上，就自动提高随机探索的温度，一旦找到了新的出路，再降低随机探索的温度定型。同时，还专门在打分公式里给抓错位置和表面粘连加了扣分项，一下子就把搜索软件从死胡同里拉了出来。 比算法卡死更隐蔽的，是实验室的仪器在报假账。在 BigHat 的抗体耐热性测试中，团队用紫外激光加热仪给上千个抗体变体一边升温一边测耐热极限，拿仪器软件导出的熔化温度去训练机器学习模型。结果第一轮跑完，七种预测模型全部失灵，仪器自带的质控软件更是把超过一半的实验孔标为废数据直接扔掉。 在人类研究员的督促下，Claude 绕过仪器导出的汇总报表，直接把每个实验孔的原始升温曲线调出来逐条排查，结果抓到了一个荒唐的仪器软件漏洞。仪器原本靠监测蛋白质受热展开时的荧光读数变化来推算熔点，但有些抗体在高温下还没完全展开，就直接像煮鸡蛋一样结块沉淀了，激光读数同样随之暴跌。仪器自带的公式分不清这两种情况，居然把高温煮熟结块引发的信号暴跌同正常的受热展开混为一谈，导致算出来的耐热分数全乱了套。Claude 结合光散射信号重写了物理打分公式，剔除高温结块带来的假信号，把作废的四百多个实验孔数据抢救了回来，才让预测模型起死回生，帮团队顺藤摸瓜选出了药液耐受温度提高 18 摄氏度的升级分子。 ## 74% 的拒批死在工厂和纸面上，当个超级项目经理能省多少命？ 实验室里算出一个好分子，在新药漫长的长征中才刚刚迈出了第一步。后半程全是合规文书和跨机构协调构成的泥潭。正如开篇提到的统计，超过七成的首轮拒批源于生产与质控缺陷，药企分析化学家四分之三的工时都耗在肉眼核对几百页手写扫描批记录上。 如果直接把几百页手写的批记录扫描图塞给通用大模型，它读一半就会默默漏掉几十页，在受法规管辖的制药厂里不敢直接上线。Enveda 的批记录审查系统用死板的外骨骼把 Claude 关进合规笼子，一次只喂四十页高清扫描图，外层用 Python 代码维护逐页核查账本，漏掉一页就强制重跑，同时只读权限交给人类专家最终签字。在一千多页真实临床批记录的盲测中，这套系统不仅找出了人工审出的所有问题，还额外揪出了 7 处人类漏掉的真实生产偏差，把近二十六个小时人工核对耗时压缩到了 2.8 小时。 比帮药企省时间更让人动容的是，这种项目管理能力给超罕见病患儿带来了生机。以儿童先天性肌营养不良为例，欧美患者总数不到 5,000 人，患儿出生即肌肉无力，往往活不过成年。科学家虽然早就设计出了能像人工铆钉一样重新固定肌肉纤维的搭桥分子，但商业药企却普遍放弃了开发。原因很残酷，要把这一个药推上临床，必须同时协调 11 家不同专业的外包研发实验室，从造老鼠模型、测毒性一直排到按监管标准生产。传统药企光雇齐一套二三十人的项目管理、采购、法务和注册团队去盯外包，高昂的固定管理成本就会让不到五千人的市场彻底亏本，管理费太贵直接判了罕见病死刑。 Anthropic 在今年七月收购并组建的制药公司 Mithril Medicine，做的正是用 Claude 当超级项目经理。在 Mithril 罕见病预印本里可以看到，一位创始科学家单枪匹马带 Claude 统管这 11 家外包商，包揽跨机构实验方案与日常交接邮件，并在几分钟内读完外包厂发来的三百多页生产质控报告完成分流排期。靠着把固定管理成本砍下来，这条罕见病管线在不到十八个月内跑通了患病小鼠体内验证，让治疗组小鼠的肌肉力量恢复到了未治疗小鼠的近两倍，准备在明年推进人体临床试验申报。 新药研发的三个真实工程死角与 Claude 在其中的三种工程角色全景图 ## 不当灵光一现的神医，AI 在真实科研里到底擅长什么？ 如果把这些故事串起来，最有启发的一点是，这和大众想象中的 AI 做科研其实很不一样。回头看看 Anthropic 这几个月在科学领域的布局，从年中发布桌面工具帮科学家清洗数据库、写超算调度脚本，到九月在不改动任何科学公式的前提下把三十多个生物计算软件包的运行速度翻倍，再到今天深入六家生物医药机构管线和自建制药公司，它真正在实验室里跑通的路线有着非常鲜明的共同特征。 大模型最不擅长的地方，往往恰恰是人们最常对它寄予厚望的地方，也就是在没有真实实验反馈的情况下，代替科学家做出重大的科学决策。比如在一个关于如何改造抗癌免疫细胞的盲测中，研究团队曾经用一套测试序列去询问了五个前沿大模型，看它们在没有见到真实的湿实验数据之前，能不能直接挑出最好的方案。结果所有模型的打分都几乎相当于抛硬币。而在另一个对照测试中，一旦人类科学家撤掉了一条必须保留核心报警开关的底线规则，算法为了提升细胞存活率和表面产量，干脆把报警开关全部删掉，造出来一个表面指标满分但遇到癌细胞完全不会开火的瞎子细胞。定方向、守底线、在实验数据不对劲时敢于起疑并踩下刹车，依然是人类科学家不可替代的领地。 反之，一旦人类科学家定下了核心方向和物理底线，大模型在打下手方面却表现得非常惊人。真正的现代科学研究早已超越了牛顿坐在苹果树下突然顿悟的浪漫想象，八成以上的时间其实花在枯燥的工程摩擦和协调组织上。Claude 在这些真实研发流程里立功的例子，有的是在翻几百篇文献帮科学家把算不出的物理难题改写成已有模块拼装，有的是往旧软件里钻改采样代码、拉出上千条原始仪器曲线修补打分公式的漏洞，有的是配合程序账本审核上千页手写工厂记录、帮一位科学家同时统筹十一家外包实验室。它不用当无所不知的神医，只要能老老实实钻进工程死角，帮人类把算不出的题换成现成的、把失真的测量仪表调准、把压垮救命药的天价管理摩擦抹平，就已经足够改变整个科学探索的经济账了。