科学家如何利用Claude加速研究与发现

Anthropic报告称，科学家们正越来越多地将Claude用作研究伙伴，超越简单任务，在生命科学领域自动化复杂工作流程、解读海量数据集并生成新颖假设。这些高级应用通过消除瓶颈、处理需要深度知识的任务以及实现全新的研究方法，正在加速科学发现。

AI在科学研究中的演变

Claude正在演变为一个全面的科学合作者，能够参与研究过程的各个阶段，从实验设计到数据分析。Claude的使用正在重塑科学工作流程，使其更简单、更具成本效益，通常将传统上需要数月才能完成的项目压缩到数小时。

Anthropic已大力投资使Claude具备科学研究能力，Opus 4.5在图解、计算生物学和蛋白质理解基准测试中显示出显著改进。这一进展得益于与学术界和工业界研究人员的合作，并得到AI for Science计划的支持，该计划为顶尖研究人员提供免费API积分。

Biomni：通用生物医学代理

Biomni是一个代理型AI平台，通过将数百种工具、软件包和数据集整合到一个可导航的系统中，解决了生物学研究中的碎片化瓶颈。研究人员使用简单的英语请求与Biomni交互，由Claude驱动的代理自动选择合适的资源来执行任务。

加速全基因组关联研究（GWAS）

在全基因组关联研究（GWAS）中，主要挑战不是基因组扫描，而是后续分析，涉及清理杂乱数据、控制混杂变量以及解读遗传“命中”。由于过程的手动性和多工具特性，单个GWAS传统上需要数月时间。

在Biomni的早期试验中，一项通常需要数月完成的GWAS在20分钟内完成。该系统已通过多个案例研究得到验证：

• 分子克隆： Biomni设计了一项分子克隆实验，其方案和设计在盲评中与一位拥有五年以上经验博士后相匹配。
• 可穿戴数据分析： Biomni在35分钟内分析了来自30个人的超过450个可穿戴文件（包括连续血糖监测、温度和身体活动）的数据，而这项任务估计需要人类专家三周时间。
• 基因活性分析： Biomni分析了来自人类胚胎组织的超过336,000个单细胞的基因活性数据，确认了已知的调控关系，并识别出先前与人类胚胎发育无关的新转录因子。

Biomni包含防护措施，以检测Claude何时偏离预期路径。当默认的Claude方法与临床医生的诊断过程不同时，研究人员逐步向代理教授专家方法论，有效地将隐性知识编码为系统技能。

MozzareLLM：自动化基因敲除解读

MozzareLLM是一个由Claude驱动的系统，旨在自动化大规模基因敲除实验的解读，传统上这需要人类专家数百小时的文献综述。该系统接收基因簇，并执行与资深科学家相同的解读任务。

简化CRISPR数据分析

当科学家使用CRISPR在数百万人类细胞中敲除数千个基因时，会产生大量图像数据。软件可以分组产生相似损伤模式的基因，但解读为什么这些基因聚集在一起需要深入的生物学过程知识。

MozzareLLM通过执行以下功能加速这一过程：

• 识别基因簇可能共享的生物学过程。
• 标记基因簇中的基因是充分了解还是研究不足。
• 突出值得进一步研究的特定基因。

首席研究员Cheeseman指出，Claude总能捕捉到他遗漏的发现，并表示：“每次我检查时，我都会想，我没注意到那个！而在每种情况下，这些都是我们可以理解和验证的发现。”

至关重要的是，MozzareLLM在其发现中提供置信水平，使专家能够就进一步研究资源的投入做出明智决策。此外，Claude在一次实例中通过正确识别其他模型视为随机噪声的RNA修饰途径，表现优于其他测试的AI模型。

Lundberg实验室：AI主导的假设生成

虽然一些实验室专注于自动化解读（如MozzareLLM），但Lundberg实验室专注于解决更早的瓶颈：在聚焦、高成本的筛选实验中决定靶向哪些基因。他们的系统使用Claude将传统方法从有根据的猜测转变为基于属性的预测。

基于分子特性预测靶基因

Lundberg实验室没有依赖人类直觉和文献综述来选择候选基因，而是构建了细胞中每个已知分子（蛋白质、RNA、DNA）及其关系的全面图谱。该图谱包括哪些蛋白质相互结合以及哪些分子结构相似。

当提供目标（如特定细胞结构或过程）时，Claude会导航此分子关系图谱，根据其固有生物学特性和关系识别候选基因。

目前，该实验室正在初级纤毛（一个现有研究有限的主题）上测试这种方法。测试涉及将Claude生成的候选基因与人类专家使用传统电子表格方法生成的候选基因进行比较。如果Claude能识别出显著更高比例的正确基因，则证明该方法更优。如果成功，这种方法可能成为聚焦扰动筛选的标准第一步，使实验室能够做出基于数据的明智决策，而不是依赖直觉或暴力筛选。

结论：AI在发现中的未来

这些多样化的系统表明，AI正迅速成为研究伙伴，其能力远超总结或代码生成等基本任务。这些工具的实用性随着AI能力的增强而增长；早期模型仅限于简单任务，而更强大的代理开始复制科学论文中描述的复杂分析工作。

随着AI模型不断变得更加智能，科学发现的过程也在随之发展，带来效率提升和新见解的潜力。