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。这些高级应用正在通过消除瓶颈、处理需要深度知识的任务以及开启全新的研究方法，加速科学发现。

人工智能在科学研究中的演进

Claude 正在发展成为一个全面的科学协作者，能够贯穿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，通常能将传统上需要数月才能完成的项目压缩至数小时。

Anthropic 已投入大量资源使 Claude 具备科学工作能力，其中 Opus 4.5 在图表解读、计算生物学和蛋白质理解基准测试中显示出显著进步。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 额度。

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为一个可导航的系统，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，而由 Claude 驱动的代理会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，主要挑战并非基因组扫描，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”。由于过程涉及手动操作和多种工具，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所设计的方案相匹配。
  • 可穿戴设备数据分析： Biomni 在 35 分钟内分析了来自 30 个人的超过 450 份可穿戴设备文件（包括连续血糖监测、体温和身体活动数据），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，并识别出此前与人类胚胎发育无关的新转录因子。

Biomni 包含防护措施，用于检测 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传授专家方法，从而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，而这类实验传统上需要人类专家数百小时的文献人工审阅。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。软件可以将产生相似损伤模式的基因分组，但解读这些基因为何聚集在一起，需要深厚的生物学过程知识。

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已被充分理解还是研究较少。
  • 突出显示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：“每次我查看时都会想，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度水平，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 在一次测试中正确识别了一条 RNA 修饰通路，而其他 AI 模型将其视为随机噪声，从而优于其他测试模型。

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。他们的系统利用 Claude 将传统方法从经验猜测转变为基于属性的预测。

基于分子属性预测靶基因

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种已知分子（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（例如特定的细胞结构或过程）时，Claude 会导航该分子关系图谱，根据基因固有的生物学属性和关系来识别候选基因。

目前，该实验室正在初级纤毛（一个现有研究有限的课题）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，而非依赖直觉或暴力筛选。

结论：人工智能在发现中的未来

这些多样化的系统表明，人工智能正迅速成为研究伙伴，其能力远超摘要或代码生成等基本任务。这些工具的实用性随着 AI 能力的提升而增长；早期模型仅限于简单任务，而更强大的代理正开始复现科学论文中描述的复杂分析工作。

随着 AI 模型持续变得更加智能，科学发现的过程也在随之发展，从而带来效率的提升和新见解的潜力。

Sources