Claude navrhl fungující proteiny bez vědců. V laboratoři uspěl u 14 z 15 cílů
Anthropic pustil své modely Claude na jeden z nejtěžších úkolů vědy — navrhnout od základu bílkovinu, která se přesně naváže na zvolený cíl. Claude to zvládl převážně sám: vybral vazebná místa, vygeneroval struktury a sekvence a vyladil je. Nezávislé laboratoře Adaptyv Bio a Twist Bioscience pak jeho návrhy vyrobily a otestovaly ve zkumavce. Výsledek: úspěch u 14 z 15 cílů a 354 potvrzených binderů z 1320 návrhů, s úspěšností až 35 procent proti běžným 10–15. Vysvětlujeme, co to znamená pro farmacii, biotech i pro české firmy mimo laboratoře.
AI, která nepíše kód, ale navrhuje bílkoviny
Když se dnes mluví o schopnostech umělé inteligence, většina lidí si představí psaní textů, kódu nebo obrázků. Anthropic teď ukázal něco jiného. Jeho modely Claude — konkrétně verze Mythos Preview a Opus 4.8 — dostaly zadání z úplně jiného světa: navrhnout od nuly proteinový binder, tedy malou bílkovinu, která se dokáže pevně a přesně navázat na určitou molekulu. Je to jedna z nejobtížnějších úloh v celé molekulární biologii a základní stavební kámen moderního vývoje léků.
A nešlo o simulaci na papíře. Anthropic ve spolupráci s biotechnologickými firmami Adaptyv Bio a Twist Bioscience nechal návrhy skutečně vyrobit a otestovat ve zkumavce. Výsledek zveřejněný 20. srpna 2026 vzbudil pozornost napříč oborem: Claude uspěl u 14 z 15 zadaných cílů.
Čísla, která obor nečekal
Rozsah experimentu dává výsledkům váhu. Claude napříč patnácti cíli vygeneroval 1320 návrhů, z nichž laboratoře potvrdily 354 fungujících binderů. To odpovídá úspěšnosti, která se v jednotlivých fázích pohybovala mezi 22,6 a 35,1 procenty. Pro srovnání: v běžných kampaních na návrh proteinů se úspěšnost typicky drží na 10 až 15 procentech. Claude tedy nejen fungoval — v řadě případů překonal současný standard oboru.
Nejvýmluvnější je jedno konkrétní klání. V soutěži pořádané Adaptyv Bio na cíli s označením RBX1 dosáhl model Mythos Preview úspěšnosti 40 procent, zatímco lidští účastníci soutěže se v průměru dostali jen na 3,7 procenta. U obtížného, víceproteinového cíle TNFα zase uspěl výhradně model Opus 4.8, a to dokonce návrhem binderů fungujících napříč druhy — což je cenné pro testování na zvířatech. Vysoce afinitní bindery vznikly nejméně u šesti cílů a u čtyř z nich se výsledky vyrovnaly nebo překonaly dosud nejlepší publikované práce.
Nejzajímavější je, jak málo do toho zasahovali lidé
Skutečná novinka není jen v číslech, ale v tom, kdo práci odvedl. Claude pracoval převážně samostatně v prostředí Claude Science, kde si sám řídil celou sadu open-source nástrojů pro návrh proteinů. Vybíral vazebná místa, generoval trojrozměrné struktury i aminokyselinové sekvence, spouštěl optimalizační cykly a prosíval kandidáty na ty nejslibnější. Jde o práci, která specializovanému vědeckému týmu obvykle zabere týdny.
Úloha lidí se přitom smrskla na minimum: schvalovali modelu přístup k systémům, řešili technické výpadky infrastruktury a nakonec objednali vybrané návrhy k laboratorní výrobě. Vědeckou logiku — které místo na cílové molekule napadnout a jak návrh vyladit — vedl model. Právě tento posun od AI jako nástroje k AI jako do velké míry samostatnému výzkumníkovi je na celém experimentu nejpodstatnější.
Proč je návrh proteinu tak těžký
Aby bylo jasné, jak velký skok to je, stojí za to připomenout, o co jde. Protein je řetězec aminokyselin, který se v prostoru poskládá do složitého tvaru. Ten tvar rozhoduje o všem — jestli se molekula na cíl naváže, jak pevně a jestli u toho nenapáchá škodu jinde. Kombinací, jak takový řetězec poskládat, je astronomické množství. Navrhnout od nuly bílkovinu, která se chová přesně podle přání, proto dlouho patřilo k výsadám špičkových specializovaných laboratoří.
Protein, který se umí navázat na konkrétní cíl, je přitom výchozím bodem obrovské části medicíny. Takto fungují protilátky, řada cílených léků i diagnostické nástroje. Zkrátit a zlevnit fázi, ve které se hledá funkční kandidát, proto může mít dopad na celý řetězec vývoje léčiv.
Kde jsou hranice: binder ještě není lék
Anthropic sám před přehnaným nadšením varuje a je to na místě. Protein, který se pevně naváže na cíl, je teprve první krok vývoje léku, ne jeho konec. Následují měsíce až roky práce: ověření bezpečnosti, stability, chování v živém organismu, výroba, a nakonec klinické zkoušky na lidech. Naprostá většina slibných molekul v tomto sítu odpadne.
A ani samotný Claude nebyl neomylný. U některých cílů — například u proteinu BBF-14 nebo u maltózu vázajícího proteinu (MBP) — narazil a přesvědčivý binder nedodal. Právě u jednoho z patnácti cílů celý experiment selhal. Výsledky je tedy třeba číst jako důkaz zásadního potenciálu, ne jako hotovou revoluci ve výrobě léků. Jde o pevný základ, na kterém se dá stavět.
Co z toho plyne pro české podnikatele
Na první pohled se zdá, že návrh proteinů se běžné firmy netýká. Přímý dopad má samozřejmě hlavně na biotech a farmacii — ale signál, který experiment vysílá, je mnohem širší.
AI se posouvá z asistenta na samostatného řešitele. Dosud většina firem používala umělou inteligenci jako chytrý nástroj, kterému člověk zadá dílčí úkol. Tady Claude vedl celý odborný proces s minimem dohledu. Pokud tohle dokáže v jedné z nejtěžších vědeckých disciplín, je jen otázkou času, kdy podobný přístup dorazí do každodenní firemní praxe — od komplexních analýz přes návrhy procesů po celé pracovní workflow.
Specializace přestává být neprostupnou bariérou. Obory, které byly dlouho dostupné jen s drahými experty a roky know-how, se otevírají. Pro české technologické a biotech startupy to znamená příležitost: náskok velkých hráčů daný přístupem ke špičkovým specialistům se může zmenšovat. Menší tým s dobrým přístupem k pokročilé AI zvládne to, co dřív vyžadovalo celé oddělení.
Ptejte se, co ve vašem oboru je „návrh proteinu". Tedy: která úloha je u vás považovaná za tak složitou a expertní, že ji dnes zvládne jen pár lidí? Právě takové úkoly se stávají hlavním terčem nové generace AI. Firmy, které je identifikují jako první, získají výhodu — a ty, které to podcení, mohou být zaskočeny.
Závěr je střízlivý, ale jasný. Claude nevyrobil lék a proteinový binder má k léčivu daleko. Přesto experiment ukazuje směr, kterým se schopnosti AI vydávají: od pomoci s dílčími kroky k samostatnému zvládnutí celých odborných procesů. To je posun, který se dřív nebo později dotkne i oborů, které dnes s laboratoří nemají nic společného.
Zdroje: Anthropic, Adaptyv Bio, Twist Bioscience, The Next Web, Dataconomy, TechBriefly.