科学家如何使用 Claude 加速研究与发现¶
Anthropic 展示了三个前沿实验室如何将 Claude 从文献综述和编程助手升级为全流程科研协作者——斯坦福 Biomni 将数月的全基因组关联研究压缩到 20 分钟，MIT Cheeseman 实验室自动化了数千基因敲除实验的解读，斯坦福 Lundberg 实验室正测试 AI 引导的假设生成。
背景¶
Anthropic 于 2025 年 10 月推出了 Claude for Life Sciences——一套连接器和技能，旨在让 Claude 成为更好的科学协作者。此后，团队持续投入使 Claude 成为科研领域最强大的模型，Opus 4.5 在图表解读、计算生物学和蛋白质理解基准测试中展现了显著进步。
AI for Science 项目为全球从事高影响力科研项目的顶尖研究人员提供免费 API 额度。
研究人员开发的定制系统已超越文献综述或编程辅助的范畴。Claude 作为"跨研究全流程的协作者"发挥作用。
Biomni：通用生物医学智能体¶
斯坦福大学 Biomni 平台将数百种工具、软件包和数据集整合到单一系统中，由 Claude 驱动的智能体在超过 25 个生物学子领域中自主导航、形成假设、设计实验方案并执行分析。
工作原理¶
研究者用自然语言提出请求，Biomni 自动选择合适的资源。它能够形成假设、设计实验方案，并在超过 25 个生物学子领域中执行分析。
基因组关联研究（GWAS）示例¶
以绝对音感为例——这是一种有遗传基础的特征。在 Biomni 的早期试验中，通常需要数月才能完成的全基因组关联研究在 20 分钟内完成。
验证研究¶
根据预印本论文的验证结果：
| 验证场景 | 结果 |
|---|---|
| 分子克隆实验设计 | 盲评中方案与 5 年以上经验博士后的设计匹配 |
| 可穿戴设备数据分析（450+ 文件，30 人，含连续血糖、体温、体力活动） | 35 分钟完成，人类专家预估需 3 周 |
| 人类胚胎组织单细胞基因活性分析（336,000+ 细胞） | 确认已知调控关系并发现此前未关联到人类胚胎发育的新转录因子 |
安全护栏与技能系统¶
Biomni 包含护栏机制来检测 Claude 是否偏离正轨。专家可以将方法论编码为技能（skill）。在与"未确诊疾病网络"合作进行罕见病诊断时，团队采访了一位专家，逐步记录其诊断流程，然后将其教给 Claude。
Cheeseman 实验室：自动化大规模基因敲除实验的解读¶
MIT/Whitehead 研究所的 Cheeseman 实验室使用 CRISPR 敲除数千个基因，用 Claude 驱动的 MozzareLLM 系统自动化了此前需要数百小时人工解读的模式识别工作。
实验流程¶
Iain Cheeseman 的实验室使用 CRISPR 在数千万人类细胞中敲除数千个基因，然后对每个细胞拍照。他们构建了名为 Brieflow（取自布里奶酪）的流水线来自动检测模式和基因分组。
瓶颈¶
解读基因分组的含义仍需人类专家。Cheeseman 估计他能回忆起约 5,000 个基因的功能，但有效分析数据仍需数百小时。
解决方案：MozzareLLM¶
博士生 Matteo Di Bernardo 构建了 MozzareLLM——一个 Claude 驱动的系统，自动化了 Cheeseman 的解读方法。
Iain Cheeseman： "每次我查看结果都会说，'我没注意到那个！'而每个案例都是我们能理解和验证的发现。"
核心能力¶
- 识别基因簇中的共同生物学过程
- 标记研究充分与研究不足的基因
- 突出值得跟进的基因
- 提供发现的置信度水平
性能表现¶
在多模型测试中，Claude 表现优于其他方案——有一个案例中 Claude 正确识别出一条 RNA 修饰通路，而其他模型将其视为随机噪音而忽略。
未来愿景¶
将 Claude 注释的数据集公开，让其他领域的专家能够跟进被标记的基因簇。
Lundberg 实验室：测试 AI 引导的假设生成¶
斯坦福 Lundberg 实验室构建了一套系统，让 Claude 基于分子属性和关系图谱来选择研究目标，而非依赖传统的文献驱动"有根据的猜测"——单次聚焦筛选成本超过 2 万美元，选错目标代价高昂。
问题¶
单次聚焦筛选成本高达 20,000 美元以上。实验室通常用 Google 电子表格进行"有根据的猜测"来选择几百个基因——受限于人力带宽。
方法¶
团队构建了细胞中每个已知分子及其相互关系的图谱，让 Claude 基于生物学属性和分子关系在图谱中导航，识别候选基因——不是问"从现有文献能做什么猜测"，而是问"基于分子属性应该研究什么"。
当前实验¶
他们选择初级纤毛（一种天线样附属结构，与发育和神经系统疾病相关）作为测试案例，因为相关研究很少。他们将进行全基因组筛选建立基准真相，然后比较：
- 人类专家（电子表格方法） vs. Claude（分子关系图谱方法）
假设性示例：如果 Claude 在 200 个基因中捕获 150 个，而人类捕获 80 个，就证明该方法更优。
关键数据汇总¶
| 指标 | 数据 |
|---|---|
| GWAS 完成时间（Biomni） | 20 分钟 vs. 数月 |
| 可穿戴设备数据分析（Biomni） | 35 分钟 vs. 3 周 |
| 胚胎组织分析细胞数 | 336,000+ |
| 可穿戴数据文件数 | 450+（30 人） |
| Cheeseman 能回忆的基因数 | ~5,000 |
| 单次聚焦筛选成本 | $20,000+ |
| Biomni 覆盖的生物学子领域 | 25+ |
展望¶
各实验室的共同发现：AI 工具的效用随模型能力增长而增长。两年前模型只能写代码或总结论文，如今更强大的智能体已开始复现论文中描述的研究本身。
每次模型发布都带来显著改进。研究人员自建的定制系统已远超简单的文献综述或编码辅助——Claude 正在成为贯穿研究全流程的真正协作者。
更多信息：