Token导航 LogoToken导航

AI 资讯 · 海外独角兽

Anthropic生物医药布局复盘与Dario的AI使命

更新 2026-11-17海外独角兽正文 1.4万字阅读约 43分钟21 张图片
图片

作者:Daniel

编辑:Cage

⁠/⁠

01.

Key Takeaways

 ⁠

•生物医药是 Anthropic 在 Coding 之后,下一个集中投入的高价值方向。药物研发本身要求最顶级的智能,而药物研发过程中每一次关键进展,都能形成可观的资产价值,使 AI 的收费模式从 API 到结果付费成为可能。

 ⁠

•Anthropic 现阶段的重点在于尽快 close the loop。随着计算能力提高分子设计的小 loop 更快跑通,瓶颈更多转向湿实验。分子设计已经可以快速生成,因此 Anthropic 最快 close the loop 的领域就是用 Claude 去调用 BoltzGen 等分子设计模型,并加速模型在 GPU 上的效率。同时分子的验证仍受制于湿实验,Anthropic 也开始自建实验室并积极与外部实验室合作,以更快获得可靠反馈闭环推进研究。

 ⁠

•我们相信 Anthropic 是 AI for science 方向上最强、也最 serious 的 key player。对比 OpenAI,Anthropic 更聚焦。对比礼来,Anthropic 更 AI Native。OpenAI 虽然在生物领域起步较早,但布局横跨个人健康、医疗服务和生命科学,不如 Anthropic 的聚焦。而礼来作为药企布局 AI 制药的例子,拥有自有数据与管线,主要通过与合作伙伴共建平台的方式布局 AI,目前步伐和组织形态上仍然偏向保守。

 ⁠

•Anthropic 正在逐步参与制药,但顾虑和药企的关系,现阶段聚焦临床前和罕见病。Anthropic 正在自己推进管线,用来理解 AI 模型在真实研发流程中的作用和局限,远期也不排除下场制药的可能。但现阶段他们与药企之间的关系需要权衡,由于不能和自己的大药企客户成为竞争对手,Anthropic 将现有研发限定在人体实验前,并聚焦大药企投入资源不多的罕见病。

 ⁠

•Claude 能力的提升也在改变 Biotech 组织形式,让 pipeline in a person 一人管线成为可能。未来的 Biotech,很可能是一位经验丰富的负责人,借助大量 AI Agent,配合外部实验室完成过去需要庞大团队才能完成的药物研发与管理工作。Anthropic 今年收购的 Mithril 提供了很好的例子。

 ⁠

•Anthropic 会改变制药领域的行业格局和价值分布,最终他们的定位可能是制药领域的台积电:Anthropic 负责药物的早期发现和研发,而药企负责后期临床和销售。今年上半年他们通过 Claude Science 给科学家工作的入口,通过 MHS 去统一科学实验室的生态,这些在科研生态上的布局是他们在这个领域改变格局的开始。下半年他们开始加速蛋白设计、支持一人管线,深入生物制药工作流,这让我们开始看到价值分布开始变化的信号。

 ⁠
 ⁠

02.

Anthropic 为什么如此重视生物医药

 ⁠

相比于 OpenAI,Anthropic 的下注风格更为专注。前一次公司 All-in Coding 带来了巨大的成功,让 Anthropic 实现了对 OpenAI 的逆袭。而如今在 Coding 之后,生物医药成为了下一个高价值突破范式。Anthropic 的 S1 中也明确写道:面向科学发现的 Agent 在 2026 年逐渐成为现实。公司把生命科学与机器人并列放到了最值得投入的新业务位置。Dario 本人也在 Anthropic 路演中说,相信包括癌症、阿尔茨海默病、心脏病在内的疾病在十年内成为过去。

 ⁠
图片

Anthropic 路演 slides 将 Life Sciences 列为未来的两大新方向之一

 ⁠

我们认为,Anthropic 如此重视生物医药,主要有几大原因:

 ⁠

生物医药可能是 AI 探索按结果付费最具潜力的领域。

 ⁠

Anthropic 在招股书中明确要下一步成为 virtual collaborator,核心能力为直接交付任务结果。而在众多赛道里,生物医药又是按结果付费的最佳模式。药物研发过程中每一次关键进展,都能形成可以交易的资产价值:随着候选分子达到约定标准、临床试验取得积极结果,合作方都能因此获得可观的里程碑付款。

 ⁠

药物发现是 AI Coding 后的下一个高价值任务,也是智能皇冠上的明珠。

 ⁠

2026 年,全球年度药品支出超过 2 万亿美元,一款成功的药物就可能带来可观的商业回报。以 GLP-1 类药物为例,仅礼来与诺和诺德的主要产品,按今年前三季度年化计算,销售规模就已接近 1,000 亿美元。药物发现的吸引力也不止于市场规模:它要求理解复杂的生物机制,在不完整的信息中提出假设,并通过实验不断修正判断,对前沿智能提出了极高的要求。

 ⁠

Dario 本人对生物学有着浓厚的兴趣,生物是 Anthropic 次数不多的下注。

 ⁠

在投身 AI 之前,Dario 曾从事生物物理学研究,并在斯坦福大学医学院做博士后。早年他的父亲因为肝炎而去世,而在他去世后不到五年,医学进步就把这种疾病的致死率从 50% 降到 5%。这件事塑造了 Dario 对技术和时间的看法。在 Machines of Loving Grace 中,他将生物学与健康列为最令自己期待的 AI 应用方向之首:他设想的 AI,是能够提出假设、设计实验、发明研究方法的“虚拟生物学家”,如今的 Anthropic,正在一步步接近这一点。

 ⁠
 ⁠

03.

核心目标

 ⁠

Anthropic 希望在生命科学中复制 Coding 的跃迁:从成为科学家的助手,到端到端完成研究任务。生命科学负责人 Eric Kauderer-Abrams 在公开访谈中说过,希望科学家获得软件工程师已经拥有的体验:有人一起讨论,也能把任务委托出去。并将目标描述为“超越人类能力的研究助理”。

 ⁠

这个目标的背后,对应着生命科学团队的两条主线:

 ⁠

作为工具加速科学发现

 ⁠

Claude Science:AI 科研助手

 ⁠

图片

 ⁠

2026 年 6 月,Anthropic 推出 Claude Science,将文献检索、数据分析和论文撰写整合进同一个科研工作台,让科学家能够委托多步骤研究任务。

 ⁠

公司将 Claude Science 与 Claude Code、Claude Cowork 并列,分别对应科学研究、软件开发和知识工作。支持多种科学结果的展示和交互;保留分析历史;安排计算任务;连接科研数据库和专业工具;允许用户按自己的研究领域扩展。

 ⁠

产品通过内置 Skills 和连接器,能够使用六十多个数据库和科学资源,覆盖蛋白质组学、结构生物学、化学、基因组学与文献研究等领域。用户可以通过对话添加 Skill,也可以自己编写、上传 ZIP 文件,或从 GitHub 导入。已有的本地和远程 MCP 服务也可以接入。

 ⁠

MHS:Claude 进入实验台

 ⁠

如果说 Claude Science 承载的是研究人员在软件中的工作流,那么 MHS(Model Hardware Standard)则是 Anthropic 将 AI 延伸到实验室设备和物理操作的一次尝试。

 ⁠

2026 年 8 月 27 日,Anthropic 开放 MHS 研究预览。这项起源于其与非营利组织合作的规范,试图为不同设备提供共同接口,让 AI 能够发现仪器、读取状态、调用操作,并了解设备的功能与安全限制。它不绑定模型,也可以通过 MCP 等方式供智能体使用。

 ⁠

图片

 ⁠

目前自动化实验室的一大卡点在于集成成本。单个仪器的自动化程度在过去一直在提高,但是如何把它们组合在一起成为了新的难题。一次实验通常需要多台仪器配合,若仪器能够以共同方式描述自身能力,实验软件就有机会根据任务调用设备,将执行结果传回模型,再决定下一步。

 ⁠

这也是迈向“无人实验室”的关键一步,减少人工操作带来的误差,提高实验可重复性。Claude 可以通过 MHS 获取仪器尽可能多的信息并进行分析。并真正在实验室中 Close the loop,缩短反馈回路。

 ⁠

我们认为,这很有可能成为实验室硬件接入 AI 工具的统一标准,类似于实验室中的 AWS。在未来,研究人员有机会通过软件调用实验能力,而不必为每项研究自行搭建实验室、逐台连接仪器。移液、培养、成像和分析等环节,可能逐步成为可组合的实验服务。

 ⁠

目前 Anthropic 公布了首批合作案例:

 ⁠

图片

 ⁠

亲自做药但止步临床前、聚焦罕见病

 ⁠

另一方面,Anthropic 正在参与药物发现,但也为自己的研发活动划定了边界。生命科学负责人 Eric Kauderer-Abrams 在采访中表示,公司会开展早期药物发现,只有亲自参与药物研发,才能真正理解模型和产品在哪些地方失效。通过直接承担项目,公司可以获得更紧密的反馈,而不仅依赖客户描述问题。这里的界线是 Ⅰ 期人体试验开始之前。

 ⁠

在疾病选择上,Anthropic 更多把目标聚焦于传统商业机构缺乏动力投入的适应证。Eric 将这一选择与公司的 PBC(public benefit corporation)定位联系起来:避开客户认为有吸引力的项目,投入那些具有治疗价值、却可能无人开展的研究。这既为公司亲自参与研发提供了使命层面的理由,也有助于减少与药企客户的利益冲突。

 ⁠

我们猜测,这一安排可能同时服务于两种战略目的。

 ⁠

1.把资源集中在 AI 更有机会加速的研发环节,探索“超级 biotech”的组织形态。早期药物发现包含大量可以由 AI 辅助或逐步承担的工作。Anthropic 亲自参与这些环节,可以在真实项目中获取大量数据,并 close the loop 提升模型能力。并探索以更小的团队推进更多研发项目。相比之下,人体试验及之后的步骤依赖药企长期积累的执行能力。将自有研发止步于临床之前,可能意味着 Anthropic 希望集中投入自身更有优势的环节,再由其他机构承接后续开发。

 ⁠

2.明确与客户的业务边界,争取成为制药行业的台积电。药企如果要让 Claude 深入研发流程,需要相信 Claude 不会同时成为核心管线的直接竞争者。从这个角度看,台积电可能是一个参照:它通过专注晶圆制造、强调不与客户竞争,支持芯片设计公司将关键生产环节交给自己。如果 Anthropic 能建立类似的信任,更多药企也愿意围绕 Claude 调整研发工作流。

 ⁠

参与前沿科学发现

 ⁠

2026 年春季,公司成立内部基础生物学研究组,将模型训练、计算分析与湿实验放在同一团队中。9 月 18 日,Eric Kauderer 向路透社确认公司已在运营湿实验室,他认为生物学研究最终仍要接受真实实验的检验,有些工作自己做会更快,也能获得一手研究经验。因此,公司采用与多数 Biotech 类似的方式:部分实验在自己的设施中完成,适合外包的工作交给外部合作机构。

 ⁠

2026 年 9 月,Anthropic 公布内部生命科学研究团队和实验室,并披露一项早期发现:研究人员给出寻找新型逆转录酶系统的任务后,约 950 个 Claude 智能体运行了 21 小时,识别出一种带有特殊重复序列的系统,团队将其命名为 ART。

 ⁠

2026 年 11 月,Anthropic 展示了新模型解决复杂生物计算问题的能力。在 AAV 衣壳结构预测任务中,Mythos 5.2 基于 OpenFold3 和 ESMFold2 两个开源模型,开发了利用蛋白外壳对称性预测完整结构的方法。AAV 衣壳由数十条蛋白链组成,是基因治疗的重要递送载体,完整结构预测通常需要大量计算资源。根据公司披露,Claude 开发的方法在测试的 34 个天然或工程化衣壳中,有 28 个达到预设的结构准确性标准,展示了模型通过编写代码、改进计算方法,扩展开源科研工具能力的潜力。

 ⁠

但现阶段所有实验操作均由人类科学家完成。虽然 Anthropic 在尝试 MHS 等自动化方案,但这支团队的分子生物学研究经常需要临时调整实验流程,现阶段不太适合这种自动化方式。

 ⁠

收购 Biotech 及其管线

 ⁠

2026 年 4 月,Anthropic 完成对 Coefficient Bio 的收购,重点补充 AI 与生物医药的团队和技术能力。这是一次典型的人才收购。CEO Aris Theologis 成为 Anthropic Lead of Life Sciences,CTO Nathan Frey 加入 Anthropic 后负责领导药物发现与开发研究。

 ⁠

2026 年 7 月,Anthropic 收购 Mithril Medicine,Mithril 开发双特异性抗体,尝试修复肌纤维与周围支撑结构之间的连接,研究方向包括推进两条早期双特异性抗体研发管线,分别针对 LAMA2 相关先天性肌营养不良症和 α-肌营养不良聚糖病。这是一家一人 Biotech 公司,创始人 Cody Tranbarger 确认,这些项目成为 Anthropic 首批内部药物研发管线,他加入公司继续推进项目并牵头更广泛的内部药物开发工作。

 ⁠
 ⁠

04.

关键人物

 ⁠

图片

 ⁠

Anthropic 在生命科学的探索可以从 25 年 8 月开始,当时他们招募了 Eric Kauderer-Abrams 出任生物学与生命科学负责人,Jonah Cool 则负责生命科学战略与合作生态。以他们为班底,分别组建生命科学以及其战略合作队伍。

 ⁠

Eric 此前联合创办分子诊断公司 Detect,先后担任 CTO 和 CEO,推动家用分子检测产品获得 FDA 授权并上市。加入 Anthropic 后,他担任 Head of Biology & Life Sciences。

 ⁠

Jonah 此前担任陈和扎克伯格倡议组织(CZI)的科学战略与合作副总裁,并长期参与单细胞生物学项目,推动科研工具、数据资源与跨机构合作。加入 Anthropic 后,他担任 Head of Life Sciences Partnerships。

 ⁠

搭建湿实验室,组建基础生物学团队

 ⁠

2025 年 11 月,Anthropic 招募 Matthew G. Durrant,搭建基础生物学研究组,并在 2026 年春季在湾区建立分子生物学实验室,将计算研究与实验验证接入。Durrant 随后公开招募实验生物学家,明确欢迎具有湿实验经验的人才。随后多名来自 Arc Institute 的专家也加入了 Anthropic。

 ⁠

图片

 ⁠

Durrant 于 2020 年获得斯坦福大学遗传学博士学位,长期研究可移动遗传元件(能够在基因组内部或不同基因组之间移动的 DNA、RNA 序列)。他在创新基因组学研究所开展博士后研究,并在 Arc Institute 担任 Principal Research Scientist,参与新型基因组编辑工具的发现。

 ⁠

Claude Science 核心人员的加入与出走

 ⁠

2025 年 12 月,Alexander Tarashansky 带着自己在感恩节假期制作的原型加入 Anthropic 生命科学团队,成为 Claude Science 产品开发的核心人物。他拥有斯坦福大学生物工程博士学位,此前曾在 Biohub 担任数据科学家,随后进入 CZI,从事生物数据分析与科研软件开发。

 ⁠

加入 Anthropic 后,他与 Jonah Cool 和 Anneke Jong 一起确定 Claude Science 的核心功能,尝试覆盖科研流程中的多个环节。团队在原型基础上连续开发了约七个月,最终将文献分析、计算工具与多步骤任务执行整合到同一科研工作环境中。

 ⁠

2026 年 9 月,Alexander 离开 Anthropic,转赴医疗 AI 公司 OpenEvidence。他在随后发布的公告中表示,希望把开发 Claude Science 时帮助科学家提高研究效率的经验,带到医生诊疗现场,让 AI 更直接地服务临床工作。

 ⁠

图片

 ⁠

收购 Biotech 补齐药物研发团队

 ⁠

2026 年 4 月,随着 Anthropic 收购 Coefficient Bio,三位联合创始人 Aris Theologis、Nathan C. Frey 和 Samuel Stanton 随之加入,成为其生命科学与药物发现研究团队的成员。这笔交易更像是一次人才收购。

 ⁠

Aris Theologis 加入后担任生命科学负责人(Lead of Life Sciences)。他此前是 Coefficient Bio 的 CEO,更早曾担任蛋白设计公司 Evozyne 的创始首席商务官,以及 Paragon Biosciences 副总裁。

 ⁠

Nathan C. Frey 加入后领导药物发现与开发研究,团队常驻纽约,并以此为基础扩充药物研发团队。他此前担任 Coefficient Bio 的 CTO,在创办公司前曾任 Genentech 研究组负责人,研究治疗性抗体设计与生物基础模型。他也是论文 Lab-in-the-loop therapeutic antibody design with deep learning 的第一作者。这项研究完成于 Genentech,探索让模型提出抗体设计、由实验室测量其性质,再用实验结果指导下一轮设计。Nathan 拥有宾夕法尼亚大学材料科学与工程博士学位,曾在 MIT 从事博士后研究。

 ⁠

Nathan 对团队目标的表述为:打造“pipeline-in-a-person”。也就是让一名有经验的生物技术从业者,借助多个 Claude,就能够发起并运营药物研发项目。可以看到他对未来一人 Biotech 公司的期待。

 ⁠

相比之下,Matt Durrant 领导的基础生物学研究组关注更上游的问题:从自然界尚未被解释的序列中,寻找新的生物系统。该研究组与药物发现等团队同属生命科学组织。

 ⁠

源自 Absci 的计算科学团队

 ⁠

2026 年 5 月,AI 抗体药物公司 Absci 前首席 AI 官 Amir Shanehsazzadeh 加入 Anthropic 生命科学团队,担任研究员。他拥有哈佛大学数学学士与统计学硕士学位,长期研究如何利用生成式 AI 设计和优化抗体。他和数名有 Absci 工作经验的员工一起主导了 Anthropic 蛋白结合分子设计的研究,并参与生物计算工具的改进。

 ⁠

Absci 是一家用生成式 AI 设计抗体药物的美国生物科技公司,是上一代 AI4S 公司的代表,于 2011 年创立,已在纳斯达克上市,股票代码为 ABSI。公司最初从蛋白表达和合成生物学起步,后来逐步转向 AI 抗体设计,并从为药企提供研发平台,发展到拥有自己的药物管线。Absci 还走出了 Chai Discovery 的 founder Joshua Meier 和 Matthew McPartlon。

 ⁠

来自 AlphaFold 的诺贝尔奖得主 John Jumper 加入

 ⁠

2026 年 6 月,AlphaFold 研究负责人、2024 年诺贝尔化学奖得主 John Jumper 宣布离开任职近九年的 Google DeepMind,将加入 Anthropic。Jumper 拥有芝加哥大学理论化学博士学位,长期研究机器学习与蛋白质结构、分子动力学的结合。他曾带领团队开发 AlphaFold,并因蛋白质结构预测方面的贡献,与 Demis Hassabis 共同获得 2024 年诺贝尔化学奖。

 ⁠
 ⁠

05.

优化方向

 ⁠

在过去一年,Anthropic 的 Life Science 团队发布了许多成果。

 ⁠

图片

 ⁠

我们可以总结为 4 个方面:

 ⁠

Long horizon 任务与多智能体协作

 ⁠

2026 年 8 月,Amir Shanehsazzadeh 主导的蛋白结合分子设计研究,展示了 Claude 持续运行并组织多个智能体推进研究的能力。研究人员预先选定靶点,提供研究协议与云端算力,使用 Claude Opus 4.8 和 Mythos Preview 开展持续 24 小时的单靶点任务,以及持续 48 小时的多靶点任务。两个模型都参与了多靶点测试,每次同时处理 14 个靶点。

 ⁠

Claude 在协议内组织两层子 Agent 分工,自行研究靶点、选择结合位点,安装并运行开源蛋白设计工具,再对候选分子进行计算优化和排序。Claude 需要在约束下推进研究,先筛除重复或明显不合适的设计,再对较有希望的候选投入更多计算,最终为每个靶点交付 30 个经过排序的小型蛋白设计及其决策记录。运行期间,人类负责监控基础设施,并在会话因技术问题中断时协助恢复。

 ⁠

任务结束后,Adaptyv Bio 与 Twist Bioscience 承担湿实验验证。在获得可靠测量结果的 1,320 个设计中,354 个符合结合判定,覆盖 14 个靶点。

 ⁠

优化计算能力

 ⁠

图片

 ⁠

2026 年 9 月,Anthropic 将 Claude 的编程能力用于改进生物计算工具。Amir Shanehsazzadeh 等研究人员与 Biohub、哥伦比亚大学的合作者共同报告:Claude 在不到四周内完成了 30 多个开源模型的推理优化,覆盖 Boltz-2 等结构预测模型、RFdiffusion 等蛋白设计工具,以及 Evo 2 等基因组模型。它保留原模型权重,通过改写 GPU 运算、减少重复计算和降低显存占用来提高效率。在允许少量数值精度变化时,任务平均提速约 4 倍;要求输出完全相同时,平均提速接近 2 倍。优化代码随后开放给科研社区。

 ⁠

连接更多工具与实验设备

 ⁠

2025 年 10 月,Anthropic 推出 Claude for Life Sciences,并接入 Benchling、PubMed、10x Genomics 等科研工具,提供生命科学技能与专项支持。

 ⁠

2026 年 2 月,Anthropic 与 Allen Institute 和霍华德·休斯医学研究所(HHMI)宣布建立科研合作,开始将 Claude 带入大型研究机构的日常工作,接触到真实、复杂的科研任务。

 ⁠

这里诞生了随后发布的 MHS 的雏形:研究人员开展脑成像实验时,需要协调不同厂商的激光器、电动调焦设备和专用相机,但这些设备没有统一接口。他们先开发了一套共享数据机制,让仪器能够互相通信;随后,Anthropic 将 AI 模型接入这个接口并发展为 MHS,逐步发展为统一的设备操作规范。

 ⁠

Allen Institute 是位于西雅图的非营利生命科学研究机构,主要研究大脑、细胞和免疫系统,并向全球科研人员开放数据与工具。

 ⁠

霍华德·休斯医学研究所(HHMI)是一家成立于 1953 年的美国私人非营利生物医学研究机构,长期支持基础研究。其积累包括用于观察神经活动的钙离子传感器,以及用于解析脑结构的电子显微镜。

 ⁠

2026 年 6 月,Anthropic 发布 Claude Science 测试版,进一步将 Claude 做成科学家的研究工作台。

 ⁠

让 Claude 根据实验反馈继续研究

 ⁠

2026 年 10 月,Anthropic 一次性披露了与多个 Biotech 的合作成果,其中便包括与 BigHat 合作,展示了 Claude 已经能参与研究判断和实验方案的改进。在 Samuel Stanton 与 BigHat 科学家的指导下,Claude 承担了大部分分子设计与数据分析,团队经过七轮迭代,制造并测试了约 1,010 个抗体片段变体,最终获得的两个先导分子在结合能力和部分稳定性指标上有所改善。当既有评价指标受到质疑时,Claude 能在提示下重新检查原始曲线,建立解释模型,并提出验证方案。

 ⁠

BigHat Biosciences 是一家利用 AI 和自有湿实验室开发抗体药物的生物技术公司,主要聚焦肿瘤、炎症与免疫相关疾病。其 Milliner 平台通过反复设计、制造和测试抗体,同时优化结合能力、稳定性及生产可行性。公司进展最快的自有项目 BHB810 是靶向 CDH17 的抗体药物偶联物(ADC),面向胃癌等消化道肿瘤,已于 2026 年 9 月宣布完成一期临床首例患者给药。

 ⁠

Anthropic 在 11 月 4 日公布的 Vault 研究,展示了 Claude 参与真实生物学研究的能力。Vault 是一种大型、中空的蛋白外壳,其生物学功能至今尚未明确。团队发现,一些细菌和噬菌体来源的蛋白能够组装成 Vault 样颗粒,并通过冷冻电镜解析了其中一种由 96 个蛋白组成的完整结构。研究人员还改造了蛋白的重复片段,使外壳内部容积扩大约 20%,为进一步研究其组装机制和潜在用途提供了基础。

 ⁠

图片

 ⁠

Claude 帮助团队搜索蛋白数据库;科学家选定候选蛋白后,它将蛋白序列转成可用于实验的 DNA 设计。在样品制备环节,Claude 推荐分离工具和检测方法,并提出简化纯化步骤的建议,经研究人员测试后,将从细胞到电镜样品的时间缩短至约 90 分钟。随后,它配置并运行冷冻电镜分析软件 RELION,在科学家指导下处理数据,34 小时内生成首个完整结构模型。

 ⁠
 ⁠

06.

Anthropic 的合作版图

 ⁠

图片

 ⁠

大型药企

 ⁠

正如前文所说,Anthropic 正在小心平衡与大型药企之间的关系。一方面,大型药企为 Anthropic 贡献了大量 API 收入,是 Claude 的大客户。另一方面,Anthropic 也试图探索一个双方都认可的合作关系,在维持良好关系的同时推进自身的药物研究。

 ⁠
图片

全世界十大药企中,已有八家在使用 Claude

 ⁠

BMS(Bristol Myers Squibb,百时美施贵宝)是目前公开合作中,同时覆盖企业部署与具体研发项目的代表。

 ⁠

2026 年 5 月 20 日,BMS 宣布与 Anthropic 达成战略协议,计划向全球超过 30,000 名员工提供 Claude Enterprise,作为跨部门共用的 AI 平台,覆盖药物研究、临床开发、生产制造,以及商业和公司职能部门。

 ⁠

2026 年 10 月 27 日,Anthropic 披露,BMS 已开始使用 Claude 分析一款早期临床药物的开发计划。Claude 在受保护的环境中读取专有数据,辅助拟定临床研究方案,并评估不同开发路径及试验成功的可能性。BMS 血液学、肿瘤学与细胞治疗早期临床开发负责人 Michael Pourdehnad 表示,一次提示生成的初步分析,帮助团队评估了原本需要数天才能梳理的开发选项。

 ⁠

Claude 正式进入药企的研发决策准备环节。它结合具体药物的数据和开发条件,整理证据、比较方案,为科学家和临床团队提供判断依据。双方计划在 2027 年扩大这项合作,进一步探索其对早期开发成功率的作用;BMS 也希望未来将应用扩展至更多管线,支持研发组合层面的决策。

 ⁠

除 BMS 外,礼来、赛诺菲、辉瑞、诺和诺德、艾伯维和阿斯利康也已公开披露与 Anthropic 合作。

 ⁠

图片

 ⁠

Biotech

 ⁠

直接收购

 ⁠

Anthropic 今年有两次对 Biotech 的直接收购,有着不一样的目的。

 ⁠

除了前文介绍过的 Coefficient Bio 更偏向补充研究人才和技术能力,Anthropic 的第二次收购是 2026 年 7 月的 Mithril Medicine,这家公司只有一名全职员工,但拥有两项针对罕见肌营养不良症的早期抗体研发项目。这更像是一次管线收购,以及向外界宣告一个重要信息:一人 Biotech 的时代已经到来。

 ⁠

Mithril Medicine 采用了一种与传统 Biotech 完全不同的运营方式。创始人 Cody Tranbarger 用 Claude 协调 11 家外部实验室,并处理研发项目的日常运营。公司聘请了兼职科学顾问,并委托至少五家 CRO 开展实验工作。根据公司披露,其中一个项目在不到 18 个月内从设想推进到取得初步小鼠实验结果;如果后续开发顺利,最早可能于 2028 年底启动人体试验。

 ⁠

创始人 Cody Tranbarger 早期在高盛从事生物技术行业的投行业务,参与融资和并购项目。之后,他在 Casdin Capital 负责遗传药物研究与投资,重点关注细胞治疗和基因治疗。他还曾在 Prime Medicine 负责商务拓展,随后加入 Atlas Venture 的公司孵化团队,担任驻场创业者。

 ⁠

这符合 Nathan Frey 对 Anthropic 打造“pipeline-in-a-person”的表述,在 Claude 的助力下,一个人拥有了过去一个完整团队才有的协调能力。收购后,Tranbarger 将在 Anthropic 内部继续推进现有项目,并计划启动更多药物项目。Anthropic 希望借此检验,一位有经验的负责人能否借助 AI 和外部专业团队,承担过去需要更大内部团队才能完成的研发管理工作。

 ⁠

合作研发

 ⁠

Anthropic 在 10 月份还披露了多个与 Biotech 合作的项目,它们涉及多个不同方向:

 ⁠

图片

 ⁠

CRO

 ⁠

CRO 为 Anthropic 提供了获取真实实验数据、验证计算设计的两大能力。Adaptyv Bio 和 Twist Bioscience 是这一合作模式的代表。

 ⁠

Adaptyv Bio 是一家从瑞士洛桑联邦理工学院(EPFL)孵化的公司,为药企、Biotech 和 AI 蛋白设计团队提供蛋白质制备与功能测试服务。客户提交设计序列后,Adaptyv 将其制备成蛋白质,再测量它能否结合目标、结合有多强,把计算设计转化为真实实验数据。公司的技术路线是将无细胞蛋白表达与自动化实验结合。其 API 化的 CRO 承接方式,相比传统 CRO 更快更省时,很适合承接 AI 快速生成的设计,帮助客户筛选值得继续开发的分子。

 ⁠

Twist Bioscience 成立于 2013 年,股票代码为 NASDAQ: TWST。其核心业务是按客户要求合成 DNA,产品还包括测序用试剂和药物研发用抗体库。药企、Biotech 和科研机构可以利用这些材料开展基因研究、蛋白工程和抗体发现。Twist 的核心技术是在硅芯片上并行合成 DNA:把原本占用较大空间的化学反应缩小,在同一块芯片上同时制造大量不同序列,从而提高产能、减少试剂消耗。

 ⁠

在 2026 年 8 月公布的蛋白结合分子研究中,两家公司分别制备和测试 Claude 提交的设计。Adaptyv 采用无细胞蛋白表达体系,Twist 则采用哺乳动物细胞表达体系。两家公司独立开展实验,彼此看不到对方的数据,也不知道候选序列的模型来源和计算排名。这让研究团队能够比较不同实验条件下的结果,减少单一测试方法带来的偏差。

 ⁠

2026 年 9 月,Anthropic 与 Adaptyv 联合发起蛋白设计竞赛,计划为超过 5,000 个设计提供湿实验验证,Twist 负责提供 DNA。根据竞赛安排,入选设计的序列、设计方法和实验测量结果都将公开,失败结果也会保留。这使合作产生的数据不仅用于评选优胜设计,也能帮助研究人员分析失败结果。

 ⁠

实验室自动化

 ⁠

这里的公司主要是 MHS 的合作厂商,目前合作仍在早期。

 ⁠

图片

 ⁠

此外,Anthropic 通过与 Menlo Ventures 联合设立的 Anthology Fund 投资了一家自动化实验室公司 Medra。它将通用机器人与 AI 软件组合成实验工作站,尝试操作科学家已有的仪器,并记录实验视频、动作和样品处理过程。公司已披露与 Genentech、Cultivarium 和 Addition Therapeutics 合作。

 ⁠

创始人兼 CEO Michelle Lee 在斯坦福大学取得博士学位,研究机器人与强化学习,创业前曾任纽约大学助理教授。Medra 于 2025 年 12 月宣布完成 5,200 万美元 A 轮融资,由 Human Capital 领投,参投方包括 Lux Capital、NFDG 和 Menlo Ventures 等。

 ⁠

科研工具与数据平台

 ⁠

科学家的工作通常跨越多个系统:查阅论文、寻找靶点证据、分析测序数据,再回到实验记录中核对结果。Anthropic 通过连接这些平台,尝试把原本需要研究人员手动切换、整理和传递的信息,放进同一个研究流程。

 ⁠

Claude 可以通过这些合作了解真实科研数据应该怎样处理,帮助模型定义科研任务、识别分析错误,并衡量模型能力是否真正进步。

 ⁠

LatchBio 是一个代表,公司从做计算工具转向科研 Agent + 做数据环境和 Eval。早期,LatchBio 主要为科研团队提供数据存储和云端计算环境,支持组学数据等科研数据的处理与分析。LatchBio 基于 Anthropic 的 Claude,并与 Vizgen、Takara Bio 等生物技术厂商合作,开发面向具体实验技术的科研 Agent。2026 年 10 月,LatchBio 将真实科研问题整理成可验证的评测任务,用于检验 AI 能否正确处理实验数据并得出结论。其 OmicsBench 包含 784 项专家构建的任务,覆盖单细胞转录组、空间组学、表观组学、变异发现与解读、微生物监测和蛋白质功能六个领域。

 ⁠

图片

 ⁠
 ⁠

07.

OpenAI 与礼来在 Life Science 的布局

 ⁠

OpenAI

 ⁠

 该图片疑似使用了AI生成技术,请谨慎甄别图片

 ⁠

OpenAI 也在积极布局生物医药,但相比 Anthropic,其布局更为分散,从个人健康咨询和医疗记录整合,一直延伸到科研助手与药物研发管理。

 ⁠

与大药企的合作在很早阶段已经开展,2024 年 6 月 25 日,礼来宣布利用 OpenAI 的生成式 AI 发现针对耐药病原体的新型抗菌药物。

 ⁠

2026 年 4 月,OpenAI 发布了生物专用模型 GPT‑Rosalind,重点支持生物学、药物发现和转化医学研究,覆盖文献分析、实验规划及科学数据分析。该模型于 9 月结束研究预览,通过可信访问计划向符合条件的机构开放。8 月推出研究预览的 Rosalind Workbench,则是一个工作平台,帮助研究人员组织分析流程、检查结果,并保留可追溯的研究记录。OpenAI 公布的合作机构包括 Amgen、Moderna、Allen Institute 和 Thermo Fisher Scientific。

 ⁠

2026 年 10 月,收购 Orchestra Bio,补充了科研发现之后的研发协调能力。主要目标是追踪研究和项目进度,识别不同工作之间的依赖,并在出现问题时整理影响、比较应对方案。

 ⁠

就目前公开的动作看,OpenAI 更侧重向研究人员和药企提供模型与工具,方向上也更偏向于广撒网。例如,OpenAI 与 Retro Biosciences 合作开发的蛋白工程模型 GPT-4b micro,在 2025 年公布了湿实验结果,但目前尚未有广泛开放的消息。在药企合作方面,公开披露仍较多围绕模型接入、企业部署和工作流程提效为主,并没有明确的 Close the loop。

 ⁠

在湿实验室与 CRO 方面,OpenAI 目前公开的做法则主要依托合作方:由 Retro 验证模型设计的蛋白质,与 Ginkgo 将 GPT-5 接入自动化实验室,完成实验设计、执行和结果分析的多轮迭代。

 ⁠

礼来

 ⁠

图片

 ⁠

礼来是传统药企中较早布局 AI 也是较坚定的一家,MNC 有多年药物研发积累的大量专有实验数据。这些数据覆盖药物性质、药代动力学和安全性,也包括大量未能成功推进的分子及其失败结果。仅 TuneLab 所使用的礼来临床前数据就超过 200 万个数据点。

 ⁠

2025 年 9 月推出的 TuneLab,礼来向参与的 Biotech 开放部分研发模型,合作方通过联邦学习贡献模型更新,原始数据仍保留在各自环境中。这既让礼来的数据积累转化为对外服务,也让模型有机会接触内部研发尚未覆盖的分子和实验结果。

 ⁠

礼来也通过金斯瑞、Twist 和 Charles River 等合作伙伴,为 TuneLab 用户提供实验服务。

 ⁠

图片

图片

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。