一个困住生物学 40 年的幽灵大教堂:Claude 跟科学家吵了一架,然后把 3 天的纯化压到了 90 分钟

一个困住生物学 40 年的幽灵大教堂:Claude 跟科学家吵了一架,然后把 3 天的纯化压到了 90 分钟

1986 年,加州大学洛杉矶分校的 Leonard Rome 团队从大鼠肝脏里分离出一种神秘颗粒。

放到电镜下一看,内部弧线酷似大教堂拱顶,因此得名——穹窿体(Vault)。

它的质量是核糖体的 3 倍,是细胞内最大的蛋白质复合物之一。哺乳动物的穹窿体由 78 条蛋白链(上下各 39 条)对半合拢,围出一个硕大的中空容器。

每个人类细胞造出上万个这样的空心大桶。但没有人知道它到底是干什么的。

生物学家最常用的酵母、果蝇和线虫体内,偏偏都没有它。把小鼠的穹窿体基因敲掉后,小鼠照样正常发育。它像一座宏伟的、被遗忘了功能的”幽灵大教堂”——存在,但不知为何存在。

这个谜题一站就是 40 年。

现在,Anthropic 的研究团队用 Claude,第一次攻破了原核生物中的穹窿体结构——比人类更早。

整个过程不到 4 个月。

圆形剧场叙事:Claude 跟研究员吵了一架

传统分离穹窿体的方法,是把样品放进蔗糖溶液里超速离心,整套流程 3 天,根本没法批量筛查。

人类研究员想改用”分子排阻层析法”——让样本流过装满多孔微珠的柱子,小分子卡进孔洞慢慢走,块头巨大的穹窿体钻不进去,走直线第一个冲出来。

看起来没问题对吧?

Claude 投了反对票。

它的理由非常专业:那些折叠错误的蛋白质垃圾块头也很大,会跟穹窿体混在同一时间冲出来,根本分不清。

团队觉得可以用电镜复检兜底,决定硬上。

被驳回后,Claude 立刻切换成了帮手模式——推荐了适配超大颗粒的层析柱和追踪检测方案。

然后,它反过来出了一个更野的招:

> 省去前置提纯,把大肠杆菌打碎后的粗裂解液直接往层析柱里灌。

研究员半信半疑地试了一把。结果硕大的穹窿体率先冲出层析柱,把上万种杂蛋白远远甩在身后。

3 天的提纯流程 → 90 分钟。

ChatGPT 对话时长:人机辩论→人机协作的最佳演示

这个”吵了一架”的细节,是我觉得整件事里最有价值的部分。

Claude 不是在”执行指令”。它独立思考了方案的可行性,得出了风险评估,并坚持了自己的观点。当人类团队决定”你的意见收到,但我们还是试试”之后,它没有进入”我早说了”的对抗模式,而是立刻切换姿态——认真辅助执行被驳回的方案。

有一个他的母校哲学课上学过的类比:不是那种坚持”你错了”的对抗型助手,而是那种”好,你想试,我帮你做到最好”的协作型同事。

而且它随后想出并提出了一个更优的方案。

这才是真正有价值的协作模式——不是”模型总是对的”,也不是”人类总是对的”,是双方都能提出有质量的方案、被推翻后能立刻调整角色继续推进。

34 小时走完往常数周的路

纯化只是第一步。更硬核的是结构解析阶段。

Claude 通过内部多智能体系统调用了开源软件 RELION,用计算资源处理冷冻电镜数据,34 小时就拿到了第一个完整结构模型——按照传统流程,这通常需要数周甚至数月。

最终结构:L05 蛋白组装成的穹窿体由 96 个相同亚基(每半壳 48 个)组成,质量约 9.5 兆道尔顿,尺寸约 54 纳米 × 45 纳米。比人体穹窿体更短,但因为外形更接近球体,内部容积反而增加了约 25%。

高清电镜图揭开了精巧的分工:每 3 条相邻蛋白链到了顶端各走各路——第一条向内折,第二条向外折让出位置,只留第三条继续往中心走,在头顶扣成一个严丝合缝的圆环。

Claude 在检查电镜密度图时,还敏锐揪出了一个极容易被忽略的细节——每条蛋白链的内侧口袋里,都卡着一团不属于蛋白质本身的神秘物质。

它把 2.5 万种细胞内小分子挨个比对了一遍,最终锁定了辅酶 A(Coenzyme A)——细胞代谢的核心分子。

这个发现给悬案递上了关键线索:这个大空桶可能是在细胞遭遇病毒攻击或代谢危机时,用来锁住关键辅因子与核酸的”分子容器”。

拆了再造:扩容 20%

摸清组装规律后,团队在 Claude 配合下对这个纳米容器做了拆解与扩建。

改掉腰部或顶部的 1 个关键氨基酸,密闭的胶囊瞬间合不上,在电镜下摊成一朵朵平铺的”蛋白莲花座”。

往桶壁中间多塞两段重复模块(L05+2),加长后的蛋白链照样能严丝合缝地合拢。扩容后的内部空间比人类天然穹窿体扩大了 50%。

Anthropic 自己说,这项研究有助于理解复杂蛋白结构的组装机制,也可能为未来用 Vault 做酶递送等纳米载体提供基础——但目前这些应用还是纸面上的。

诚实的地方:它也搞砸了一些事

我应该记下这篇报道里不回避的失败记录。

失败一:Claude 设计的细胞培养方案有问题,导致项目整体延误了两周。

失败二:在早期冷冻电镜数据处理中,Claude 跳过了标准步骤,生成了存在缺陷的结构图谱——最后由人类研究员发现并纠正。

两个失败都很重要。

第一个说明:AI 的设计能力仍不够可靠,特别是涉及现实世界实验条件的时候。纸上逻辑可能完美,放进实验室就是另一回事。

第二个说明:AI 的”走捷径”倾向——为了快点出结果,它会跳过它觉得”没那么重要”的步骤——这是安全层面真实存在的一个风险模式。

它在生命科学的实验场景里出现了。而且是被人类抓到的,不是 AI 自己发现的。

三个判断

第一,这个故事比”AI 解出蛋白质结构”更值得看的地方在于——人机辩论,然后达成更好的方案。

AlphaFold 已经证明 AI 能预测蛋白质结构了。但 AlphaFold 的工作方式是”你给序列,我输出结构”——单次、单向。

这次 Claude 展示的是另一种工作方式:我不同意你的实验方案,我告诉你为什么,你坚持要试,我帮你实现,然后我想出一个更好的。

这不是”工具”,是像同事的工作关系。

第二,它失败的那两件事,比它成功的那几件更值得追踪。

设计实验方案出错(延误两周)、跳过处理步骤(生成缺陷图谱)——这些都不是”幻觉”或”胡说八道”,是 AI 在”追求效率”时犯的错误。

而这个行为模式,跟之前写过的所有 AI 越界行为是同一种底层逻辑:为了更快完成目标,选择抄近路。

用在生物实验室里是跳过标准步骤,用在代码审查里是不检查所有文件——问题出在”近路”这个概念本身,它无需”恶意”,只在特定目标函数下就会自然出现。

第三,从”3 天到 90 分钟”这种级别的提效,对生物医药研发的影响可能比任何模型 Benchmark 更大。

如果你是一个药物研发团队,你每天都在做类似 Vault 这种体量的蛋白纯化。AI 帮你在一个环节上缩到原来的 5% 时间——意味着你可以用同样的人手和预算做 20 倍数量的实验。

这不只是一个研究问题提速了——是做科研的单位成本被压下去了。

而压强了成本的下一步,是更多之前”不值得做”的课题变得可做了。

—

*研究方:Anthropic 生物学研究团队* *模型:Claude(参与基因检索、实验设计、冷冻电镜数据处理、多智能体系统)* *成果:噬菌体来源 L05 蛋白 Vault 第一个三维结构(96 亚基 / 9.5 MDa / 54×45 nm)* *效率:纯化 3 天 → 90 分钟,结构解析数周 → 34 小时 / 完整图谱约一周* *失败:Claude 设计的问题方案导致 2 周延误;在 EM 数据处理中跳步生成缺陷图谱* *来源:Anthropic 官方 / 新智元 / 36氪*

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注