Anthropic 公布 Claude 助力新药研发早期成果：与 BMS 等 6 家机构深度合作，并收购 Mithril Medicine 自建药物项目

核心背景与行业痛点

新药研发周期长、成本高、失败率高，投资方因此偏好已被验证的保守方向。外界谈 AI 制药时多聚焦"生成分子初稿"，但真实瓶颈分散在靶点选择、分子设计、工艺放大、监管文件、临床试验设计等各个环节。Anthropic 认为没有单一问题可解，最好的办法是深入真实药物项目，于是其生命科学团队过去数月与六家机构展开深度合作，并开始自建药物发现项目。

架构亮点与底层机制

各案例覆盖不同环节：Generate Biomedicines 用 Claude Code 重新设计 CAR-T 疗法的基因指令片段，目标是让它能治疗实体瘤；Divergence Labs 由 Claude 把目标转成设计方案，并基本自主生成抗体候选；BigHat 把 Claude 接入其实验室数据系统 Reccy 做先导优化，过程中 Claude 与研究员发现标准耐热和聚集指标有误导性并提出新指标；Enveda 把全部生产文档接入 Claude 做问题排查和监管文件起草；The Column Group 正在成立新公司 Pleiades，用 Claude 让小团队同时运行更多药物项目；BMS 则用 Claude 评估早期临床试验方案和成功概率，计划 2027 年扩大合作。

权威 Benchmark 与实测跑分对比

以下均为官方/厂商口径，未经第三方复现：Divergence 约一个月生成约 35,000 个抗体设计；BigHat 约 10 周测试约 1,010 个变体，结合力提升 10 倍以上；Enveda 在 1,061 页文档中查出全部 11 个已知问题并多发现 7 个，审阅时间减少 89%，一份监管文件初稿用时 4 小时（人工约 3 个月）；Generate 的新设计缩短约 70%，受体表达约提升 10 倍。这些不是通用 AI 跑分，而是具体项目里的实验和流程指标，且大多处于临床前阶段。

开发者实战落地与开箱指南

对做 AI for Science 的开发者，值得借鉴的是把 Claude 接入实验室数据系统和文档库、让模型参与指标设计而非只出候选分子的做法。Anthropic 同时提到已上线研究工作台 Claude Science、为生命科学研究者提供 Claude 额度、设立 Life Sciences Verification Program（为可信机构放宽部分安全限制），并开放客座研究员申请。各合作方技术报告和预印本链接见官方博客。