Claude progetta proteine da zero: binder validati in laboratorio contro 14 bersagli su 15

Per anni la progettazione di nuove proteine è stata un lavoro da specialisti, fatto di settimane o mesi di calcolo, ottimizzazione e prove di laboratorio per ogni singolo bersaglio. Il 18 agosto 2026 Anthropic ha pubblicato due esperimenti che mostrano quanto in fretta questo scenario stia cambiando. Nel primo, il modello Claude ha progettato da zero piccole proteine capaci di legarsi a bersagli di interesse farmaceutico, riuscendoci contro 14 bersagli su 15. Nel secondo, ha interpretato in pochi minuti dati di laboratorio che di norma tengono impegnato un chimico per ore. Se lavori con l’AI applicata alla scienza, sono risultati che meritano attenzione, perché toccano una delle promesse più concrete e delicate di questa tecnologia, accelerare la scoperta di nuovi farmaci.

Claude progetta proteine da zero e i binder superano il test in laboratorio

Il cuore dell’annuncio riguarda quello che in gergo si chiama de novo protein design, cioè la creazione di una proteina completamente nuova, non copiata dalla natura. L’obiettivo era costruire dei minibinder, piccole proteine progettate per agganciarsi saldamente a un bersaglio. Il legame, in inglese binding, è il meccanismo con cui funziona gran parte dei farmaci moderni, perché la molecola si attacca a una proteina bersaglio e la blocca, la attiva oppure vi trasporta qualcosa.

La campagna è stata condotta dentro Claude Science, l’ambiente di lavoro scientifico di Anthropic, usando due modelli, Mythos Preview e Opus 4.8. A validare i risultati non è stata l’azienda, ma due laboratori esterni e indipendenti, Adaptyv Bio e Twist Bioscience, che hanno sintetizzato fisicamente le proteine disegnate da Claude e le hanno testate senza modificarle.

Il dato complessivo è netto. Su 1.320 proteine progettate, 354 si sono rivelate binder funzionanti, distribuiti su 14 dei 15 bersagli. In pratica, tra il 22% e il 35% dei singoli progetti ha funzionato, a seconda di come veniva impostato l’esperimento, contro il 10-15% che è considerato la norma nelle campagne di progettazione proteica di oggi.

I numeri dietro i tassi di successo

Quando Claude ha lavorato su tutti i bersagli contemporaneamente, in sessioni da 48 ore, Mythos Preview ha raggiunto un tasso di successo del 26,7% e Opus 4.8 del 22,6%. Concentrandosi invece su un bersaglio alla volta, in sessioni parallele da 24 ore, Mythos Preview è salito al 35,1%. Un miglioramento che, come nota la stessa Anthropic, riflette il modo in cui lavora un ingegnere delle proteine in carne e ossa, un bersaglio per volta.

C’è un dettaglio che rende il risultato ancora più significativo, ed è il grado di autonomia della campagna.

Dopo il prompt iniziale, l’agente ha scelto da solo dove intervenire su ogni bersaglio, ha generato strutture e sequenze orchestrando diversi modelli specializzati di design e ripiegamento, ha eseguito cicli di ottimizzazione al computer e ha filtrato i candidati più promettenti. Gli esseri umani sono intervenuti soltanto per approvare richieste tecniche, come gli accessi alla rete, e per ordinare la sintesi dei progetti finali.

Perché progettare un binder è così difficile

Per cogliere la portata della notizia serve un po’ di contesto. Storicamente disegnare un nuovo binder richiede mesi di calcolo, screening e ottimizzazione, perché lo spazio delle proteine possibili è enorme e la maggior parte delle sequenze non si ripiega nel modo desiderato o non si lega affatto.

Negli ultimi anni i modelli di machine learning capaci di predire la struttura delle proteine hanno accelerato moltissimo questo processo. È la stessa famiglia di strumenti che ha reso celebre AlphaFold e che ha ridefinito la biologia computazionale, come abbiamo raccontato quando Google DeepMind ha riorganizzato il team di AlphaFold. Questi sistemi restano però complessi da orchestrare e richiedono comunque giorni di lavoro da parte di esperti di calcolo.

Il collo di bottiglia vero, poi, è la verifica sperimentale. Un conto è progettare una proteina al computer, un altro è dimostrare che funziona davvero in una provetta. Questa fase, il cosiddetto wet lab, richiede ancora settimane ed è proprio il punto in cui la maggior parte delle idee brillanti si infrange.

È per questo che avere dati di laboratorio, e non solo simulazioni, cambia il peso dell’annuncio.

Dai bersagli del cancro all’infiammazione, i casi che colpiscono

Tra i 15 bersagli figurano nomi che dicono molto a chi si occupa di terapie. Ci sono PD-L1, centrale nell’immunoterapia oncologica, TREM2, coinvolto nell’Alzheimer, EGFR, un classico bersaglio in oncologia, e TNFα, la proteina infiammatoria bloccata da farmaci di enorme successo come Humira.

Il caso più spettacolare riguarda RBX1. Progettando un bersaglio alla volta, Mythos Preview ha ottenuto un tasso di successo del 40%, contro il 3,7% dei partecipanti umani a una competizione organizzata da Adaptyv Bio. Non solo, il suo progetto migliore ha superato per affinità quello vincitore, selezionato tra 245 proposte.

Su TNFα, invece, la sorpresa arriva da Opus 4.8, e non dal modello considerato più capace. È un bersaglio ostico, perché il sito di legame si trova nella scanalatura formata da due proteine. Opus 4.8 ha progettato binder che funzionano su più specie, legando la versione umana, quella della scimmia e quella del topo, un requisito prezioso per condurre poi gli studi sugli animali.

Claude ha mostrato anche di saper affrontare le beta-sheet, strutture notoriamente più difficili da progettare rispetto alle eliche. Ha prodotto 15 binder confermati, distribuiti su sei bersagli, in cui questa architettura era ben rappresentata.

Non è andato tutto liscio, ed è giusto dirlo. Contro alcuni bersagli, come la proteina MBP, nessuno dei 90 progetti si è legato in modo convincente, e il barile beta BBF-14, una proteina artificiale usata proprio come banco di prova, ha dato solo risultati modesti. Anthropic parla di questi limiti senza nasconderli.

Non solo proteine, Claude legge anche i dati di laboratorio

Il secondo esperimento sposta l’attenzione dalla creazione all’interpretazione. Qui a essere messo alla prova è stato Opus 5, il modello più capace tra quelli generalmente disponibili, su un compito quotidiano ma noiosissimo della chimica, analizzare i dati grezzi di NMR e LC-MS, le tecniche che servono a confermare identità e purezza di un composto.

Con un prompt di due frasi e nessun software specializzato, Claude ha restituito i risultati elaborati in 23 e 19 minuti, lavorando in parallelo. E soprattutto ha centrato i numeri del laboratorio, con conteggi degli atomi di idrogeno praticamente identici e una purezza misurata al 96,4% contro il 96,33% ottenuto dai chimici.

C’è un dettaglio che racconta bene il livello raggiunto. Il file dello strumento LC-MS era in un formato proprietario non documentato: Claude ha capito da solo come era codificato, ha verificato di averlo letto correttamente riproducendo i totali registrati dallo strumento su 2.664 scansioni, e solo dopo ha iniziato l’analisi. Ha perfino proposto lo stesso esperimento di controllo che il laboratorio aveva deciso in autonomia di eseguire.

Dove un chimico impiega da mezz’ora a un’ora per campione, e il referto finale è arrivato dopo quattro giorni, Claude ha completato tutto in circa 25 minuti. È il tipo di lavoro ripetitivo che rallenta la ricerca, e vederlo comprimersi così ha implicazioni pratiche enormi. Sono le stesse promesse che seguiamo da tempo parlando di intelligenza artificiale in medicina.

La questione dual-use e i limiti di accesso

Risultati di questo tipo hanno un rovescio della medaglia che Anthropic affronta apertamente. La capacità di progettare proteine in modo autonomo è dual-use, perché la stessa tecnologia che accelera le terapie potrebbe, senza adeguate protezioni, abbassare la soglia per ricerche pericolose, come lo sviluppo di armi biologiche.

Per questo l’azienda tiene bloccate le funzioni di design proteico e di biologia sensibile nel suo modello più capace, Fable 5, e sta preparando un programma di accesso riservato e verificato per gli scienziati. Nel frattempo Opus 5 resta il modello più potente disponibile a tutti. È un equilibrio delicato tra apertura e sicurezza, lo stesso tema che attraversa iniziative come il piano di bioresilienza di Google DeepMind e Isomorphic Labs.

La scelta di rendere pubblici prompt, dati e report tecnici va nella direzione della trasparenza, ma non elimina la tensione di fondo. Più questi modelli diventano bravi, più la linea tra ricerca terapeutica e rischio va presidiata con attenzione.

Cosa cambia davvero

Va mantenuto il senso delle proporzioni. I minibinder non sono ancora una classe di farmaci pronta all’uso, e progettare un legante ad alta affinità è solo il primo passo di un percorso lungo e costoso che porta a un vero medicinale. Anthropic lo riconosce e descrive questo lavoro come fondativo, un mattone su cui costruire.

Il punto, però, è la traiettoria. Un agente che porta a termine da solo una campagna di progettazione proteica, con risultati confermati in laboratorio, e un modello che legge dati chimici grezzi come farebbe un esperto, raccontano un’AI che entra nel merito del metodo scientifico e non si limita a riassumerlo.

Se ti interessa capire dove sta andando questa tecnologia, tieni d’occhio i prossimi passi di Claude e la loro applicazione alla scoperta di farmaci. È probabilmente qui, all’incrocio tra modelli generalisti e laboratori reali, che si giocherà una parte importante della ricerca dei prossimi anni. Puoi leggere i dettagli tecnici direttamente nella ricerca pubblicata da Anthropic e farti una tua idea.