抗体优化不再靠人逐个试：Claude经MCP操控自动化实验室，10周测完1232个抗体
核心概要
抗体成药需要同时调好结合、稳定性、聚集等多个相互牵制的性质，先导优化常耗时数月到数年。Anthropic与BigHat合作，让一名研究员与Claude通过MCP操控BigHat自动化实验室，在七轮设计循环中优化一个VHH和一个单链Fv抗体。10周内合成并全面测试1232个抗体，两个抗体最优变体的靶结合力最高提升至九倍，其中一个靶点达到亚纳摩尔亲和力，溶液稳定温度比起始抗体高至多18°C，聚集明显更慢。
深度剖析
抗体先导优化从人工逐轮试错转为AI智能体与科学家共同驱动自动化实验室的闭环设计。 此类项目通常要在先导优化阶段投入数月到数年，而人类工程师通常一次只改动一两个氨基酸。 两个抗体家族共七轮设计循环、10周内合成并全面测试1232个抗体，每轮设计由上一轮数据塑造；BigHat称每轮约一周完成，多数同类实验周期至少长3至5倍。
智能体不是穷举搜索，而是像有经验的抗体工程师那样先读序列再定设计。 Claude最初只拿到每个靶点的一条抗体序列、基线测量和项目目标。 Claude把两个起始分子识别为专利文献已描述过的家族成员，并指出逆转与已发表祖先序列的一处差异可能显著增强其中一个起始抗体的结合，BigHat在第一轮设计中确认了这一点。
高变异幅度的设计仍能保持结合，说明智能体的判断建立在逐轮看到全部结果的上下文之上。 人类工程师通常一次只改一两个氨基酸，而约150个Claude设计距起始分子有10到13个突变。 在某一轮中，65个大幅改动的VHH设计全部仍能结合靶点；每个判断都依赖Claude逐轮看到全部结果并做深度推理，而非只靠专用模型。
实验室数据层让智能体能追溯每个设计对应的样本、仪器和设置，并纠正仪器默认软件的误判。 实验室仪器常运行带专有输入的黑箱软件，输出文件彼此割裂。 测量抗体热稳定性的金标准仪器默认软件对抗体去折叠和聚集事件给出错误判断，Reccy将其标记为误导性结果；Claude据此提出改变加热方案、调整蛋白浓度与升温速率，BigHat的结果最终支持该模型。
启示与展望
已展示的范围限于一个VHH和一个单链Fv抗体、两个结合物家族、七轮设计循环和10周内的1232个抗体测试，且全部在BigHat的自动化实验室与Reccy数据控制层中完成。合作方表示这只是一项更广泛治疗药物计划的试点，后续将面向设定更少、难度更高的目标。
文中称这是其所知的同类实验中最快完成时间，属于合作方自述而非独立比较；结合力提升至九倍、稳定温度高至多18°C等数字对应两个抗体的最优变体，而非全部设计。合作方也指出，前沿模型的能力瓶颈正转向数据、实验室与执行框架。