图片由 AIYXL 用 AI 生成
药物开发中有许多瓶颈，它们从不出现在 AI 设计分子的图景中。研究人员必须解读实验结果、决定下一步测试什么，并在项目推进之前核对制造记录。
Anthropic 10 月 27 日的研究更新让这些不那么显眼的任务成为焦点。其中介绍了与 BigHat Biosciences、Bristol Myers Squibb、Divergence Labs、Enveda、Generate Biomedicines 和 The Column Group 的合作。
将设计与实验室结果连接起来
据 Anthropic 称，BigHat 研究人员和一名 Anthropic 科学家使用 Claude 改进了两个抗体片段先导分子。BigHat 在十周内制造并测试了约 1,010 个变体。
报告中最强的变体改善了不同特性：结合亲和力提高十倍以上，一个先导分子在比原来高 18°C 的温度下仍保持可溶性，另一个先导分子的聚集速度慢了 100 倍以上。
这些是在特定研究项目中对候选分子特性的测量。它们并不能证明药物对患者安全或有效。
更仔细地阅读文书
Enveda 随附的技术报告提供了另一种证据。其 CMC Document Processor 审核了 四份生产批记录，共包含 1,061 页扫描页。
在评估的各次运行中，系统提出了人工审核者识别出的全部 11 个可操作问题。Claude Opus 4.7 的一轮处理还识别出另外七个可操作问题。处理与人工核查共耗时 166 分钟，而未经辅助的内部审核耗时 1,553 分钟。
这些限定条件很能说明问题。11 个问题的结果是汇总多次运行的发现；这并不保证每次运行都能发现所有问题。大多数意见仍无需采取行动，且一处手写更正被误读。Enveda 表示，该系统仍是一种建议性辅助工具，尚未作为 GMP 计算机化系统经过验证。
工作流程本身就是结果的一部分
AIYXL 的解读是，这里最有用的证据关乎模型如何与实验及审核程序相连接。
一个提出的分子改动只有在实验室对其进行测试后才有意义。一条文档警告只有在审核者能将其追溯到原始记录时才有用。这些连接使进展可被检查——并暴露出系统仍需帮助之处。
Anthropic 称更广泛的研究尚处早期，且大多为临床前研究。下一个问题是，这些工作流程在更多项目、实验室和开发阶段中的表现能有多稳定一致。