Claude Proteindesign: Anthropic verdoppelt Trefferquoten auf 27%
Veröffentlicht am: 19.08.2026 um 05:11 Uhr | Redaktion boerse-global.de
Das US-amerikanische KI-Unternehmen Anthropic hat bedeutende Fortschritte in der computergestützten Biologie erzielt. Wie aus jüngsten Berichten hervorgeht, ist es den Modellen der Claude-Serie, insbesondere der Vorschauversion Mythos Preview sowie Opus 4.8, gelungen, proteinbindende Moleküle weitgehend autonom zu entwerfen.
In einer Testreihe zur Identifizierung von Proteinbindern für 15 Zielproteine (Targets) erzielte die Künstliche Intelligenz bei 14 dieser Ziele einen Erfolg. Dabei wurden Trefferquoten zwischen 22,6 und 35,1 Prozent erreicht, was die branchenüblichen Durchschnittswerte von 10 bis 15 Prozent deutlich übersteigt.
Hohe Erfolgsquoten in autonomen Kampagnen
Die Leistungsfähigkeit der neuen Modellgeneration zeigte sich in einer breit angelegten autonomen Kampagne, die sich gegen insgesamt 16 Zielproteine richtete. Von diesen konnten 15 wissenschaftlich ausgewertet werden. Insgesamt generierte das System 1.320 verschiedene Designs, von denen 354 eine Bindung an das jeweilige Target eingingen. Dies entspricht einer Trefferquote von rund 27 Prozent.
Besonderes Augenmerk legten die Forscher auf das Protein RBX1. Hier lieferte das System 90 Entwürfe, von denen 28 erfolgreich banden. Die Bindungsaffinität, ausgedrückt durch den KD-Wert (Dissoziationskonstante), lag bei dem von Claude entwickelten Binder bei 3,9 nM. Damit übertraf die KI-Entwicklung die Leistung bisheriger Wettbewerbslösungen, die einen Wert von 45 nM erreichten.
Wer sich mit dem Einsatz solch leistungsfähiger KI-Systeme befasst, muss auch die rechtlichen Rahmenbedingungen im Blick behalten. Dieser kostenlose Report klärt auf, welche KI-Anwendungen als Hochrisiko gelten und was Unternehmen jetzt konkret tun müssen. Umsetzungsleitfaden zur KI-Verordnung kostenlos herunterladen
In den Top-Rankings der Designs konnte laut Unternehmensangaben bei RBX1 eine Bindungsrate von 40 Prozent erzielt werden, während die Trefferquote für Mythos Preview bei Einzelmessungen bis zu 35,1 Prozent betrug.
Integration spezialisierter wissenschaftlicher Werkzeuge
Die technologische Grundlage für diese Ergebnisse bildet „Claude Science“, eine spezialisierte Plattform, die bereits Ende Juni des laufenden Jahres eingeführt wurde. Das System integriert mehr als 60 wissenschaftliche Datenbanken und nutzt etablierte Frameworks der Proteinforschung wie RFdiffusion, ProteinMPNN und AlphaFold.
Durch diese Verzahnung ist die KI in der Lage, komplexe biochemische Aufgabenstellungen nicht nur theoretisch zu bearbeiten, sondern konkrete Designvorschläge für die Laborsynthese zu liefern.
Die rasante Entwicklung autonomer KI-Modelle in der Forschung unterstreicht die Bedeutung klarer Compliance-Regeln für Entwickler und Anwender. Dieser kostenlose Download verschafft Ihnen den nötigen Überblick über Fristen, Pflichten und Risikoklassen des EU AI Acts. EU AI Act in 5 Schritten verstehen
Neben der reinen Designphase unterstützt die Modellreihe auch die anschließende Analyse. Das Modell Opus 5 demonstrierte in aktuellen Tests seine Fähigkeit, Daten aus der Kernspinresonanzspektroskopie (NMR) sowie der Flüssigkeitschromatographie mit Massenspektrometrie-Kopplung (LC-MS) in kurzer Zeit auszuwerten.
Für die NMR-Analyse benötigte das System 23 Minuten, für die LC-MS-Daten 19 Minuten. Dabei erreichte das Verfahren eine Reinheit der identifizierten Substanzen von 96,4 Prozent, was geringfügig über dem Vergleichswert von 96,33 Prozent liegt.
Einordnung und Ausblick
Trotz der beachtlichen Trefferquoten und der hohen Geschwindigkeit in der Datenanalyse weist Anthropic darauf hin, dass die vorliegenden Ergebnisse bisher noch keinem Peer-Review-Verfahren durch unabhängige Wissenschaftler unterzogen wurden. Die Validierung durch externe Fachleute steht somit noch aus.
Die Entwicklung markiert dennoch einen wichtigen Schritt für die Pharmaindustrie und die Biotechnologie. Die Fähigkeit, die Trefferquote bei der Suche nach Proteinbindern potenziell zu verdoppeln oder gar zu verdreifachen, könnte die frühen Phasen der Medikamentenentwicklung erheblich beschleunigen und die damit verbundenen Kosten senken.
Da die KI-Modelle nun demonstriert haben, dass sie Werkzeuge wie AlphaFold autonom orchestrieren können, rückt eine weitgehend automatisierte Pipeline für das Proteindesign in greifbare Nähe.
