Ett fynd i gränslandet mellan AI och laboratoriebiologi

Anthropic presenterade den 23 september 2026 ett nytt forskningslaboratorium för livsvetenskaper och dess första tekniska resultat. I en autonom sökkampanj identifierade Claude-baserade agenter en tidigare obeskriven familj av omvända transkriptassystem i bakteriofager, virus som infekterar bakterier. Systemet kallas array-associated reverse transcriptases, ART, och består av ett RT-enzym, ett närliggande partnergen och en lång rad jämnt fördelade DNA-upprepningar.

Formuleringen att Claude "upptäckte ett nytt enzymsystem" behöver avgränsas. Själva RT-familjen hade förekommit i tidigare sekvensdata. Det nya är att agentflödet uppmärksammade kombinationen av enzymet, partnergenen och upprepningsfältet som ett sammanhängande system. Forskarna vet ännu inte systemets primära funktion. Likheten med CRISPR gäller framför allt organisationen av återkommande DNA-sekvenser; ART är inte visat som en ny genskärningsteknik.

Resultatet finns i en teknisk preprint som ännu inte har granskats vetenskapligt genom peer review. Mänskliga forskare utförde laboratoriearbetet och tolkade resultaten efter agentkörningen. Det här är därför bäst beskrivet som ett AI-agentdrivet första steg i en biologisk upptäckt, inte som att en språkmodell ensam har gjort färdig forskning.

Så såg agentkampanjen ut

Forskarna gav ett Claude Mythos 5-baserat system uppgiften att leta efter nya RT-system genom oväntade kopplingar till närliggande gener. En agent planerade och genomförde deluppgifter medan en annan granskade resultaten. Båda kunde öppna nya spår när något verkade intressant.

Kampanjen omfattade 119 uppgifter, 949 agentsessioner, 77 agenttimmar och 215,6 miljoner token. Den körde i 21,5 timmar utan mänskliga ingripanden i själva sökningen. Att Anthropic beskriver detta som ungefär 950 agenter bör alltså läsas som 949 sessioner i ett fleragentsystem, inte 950 separata modeller som arbetade samtidigt.

Flödet sökte genom omkring 1,94 miljarder proteinkluster, tog fram 198 290 RT-kluster och bedömde 3 564 proteinfamiljer som möjliga partnerkandidater. Sjutton familjer gick vidare i den huvudsakliga urvalsprocessen, och tre visade sig vara tidigare orapporterade RT-associationer. ART kom dessutom från ett sidospår som en agent själv öppnade efter att den ursprungliga genkopplingen hade avfärdats.

Det avgörande ögonblicket kom när en session laddade rå DNA-sekvens uppströms om RT-genen direkt i modellens kontext. Modellen noterade ett upprepat 16-nukleotidmönster med unika segment mellan kopiorna, mätte avstånden, jämförde strukturen med kända system och skapade en rapport för mänsklig granskning. Efterföljande analys identifierade 95 relaterade RT-kluster, varav 28 hade ett detekterbart upprepningsfält.

Agentkampanjen smalnade av ett mycket stort sekvensunderlag till ett fåtal kandidater. Animationen visar dataflödet genom analys, urval och mänsklig laboratorieverifiering.

Den viktigaste siffran är en av elva

Efter fyndet körde forskarna samma kampanj tio gånger till med samma instruktion och agentmiljö. Ingen av omkörningarna hittade upprepningsfältet. De flesta körningar nådde relevanta ART-sekvenser, och två undersökte släktlinjen närmare, men ingen laddade in den råa DNA-sträcka där mönstret kunde ses.

Det betyder inte att den första observationen var falsk. Det visar i stället att upptäckten var beroende av agentens väg genom sökutrymmet och av ett specifikt verktygsbeslut: att läsa tillräckligt mycket rå sekvens i stället för att arbeta med sammanfattad information. En oberoende teknisk genomgång av rapporten lyfter därför en av elva som den mest praktiskt användbara siffran. Underlaget är för litet för en stabil träffprocent, men tillräckligt för att visa att arbetsflödet ännu inte är reproducerbart.

Forskarna isolerade därefter själva igenkänningsuppgiften. När ART-sekvenser placerades direkt i kontext beskrev de fyra starkaste Claude-modellerna mönstret i minst 90 procent av försöken. När samma information gavs som filer och krävde verktygsanvändning föll resultatet i vissa inställningar till 32 procent. I 39 procent av de filbaserade försöken läste modellen aldrig en sammanhängande sekvens på minst 200 nukleotider.

Det här är en konkret lärdom för alla agentplattformar: modellen kan ha förmågan att känna igen ett mönster men ändå misslyckas eftersom agentharnessen inte hämtar rätt rådata. Verktygsval, filhantering, kontextbudget och regler för vilka sidospår som får följas är en del av systemets intelligens i praktiken.

Vad som faktiskt verifierades i laboratoriet

Forskarna fann ART-system främst i jumbo-fager. Upprepningsfältet uttrycktes som separata korta RNA-molekyler under infektion av en Staphylococcus-fag, vilket talar för att fältet är biologiskt aktivt och inte bara ett passivt sekvensmönster. Partnergenen och RT-enzymet bildar tillsammans en arkitektur som motiverar fortsatt undersökning.

Däremot är det inte visat vad systemet gör för viruset, om det kan programmeras eller om det kan användas för att klippa, kopiera eller flytta DNA. Sådana möjligheter nämns som hypoteser eftersom andra system med liknande komponenter har blivit biotekniska verktyg. De är inte resultat från den aktuella studien.

En parallell preprint från Stanford, DOE Joint Genome Institute och Arc Institute beskriver dessutom en annan RT-familj, UG27, med upprepade icke-kodande RNA-element. Den studien använder en specialbyggd genomisk språkmodell snarare än ett generellt agentflöde. Tillsammans visar arbetena att kombinationen av stora sekvensdatabaser och maskininlärning kan hitta strukturer som proteincentrerad annotering missar, men båda är fortfarande preprints.

Praktisk betydelse för AI-team

För forsknings- och analysagenter är resultatet ett argument för att mäta mer än slutresultatet. Logga vilka filer och dataintervall agenten faktiskt öppnar, hur mycket rådata som når kontexten, vilka hypoteser som överges och hur ofta hela kampanjen kan upprepas med samma utfall. Ett lyckat demonstrationsfall utan omkörningar riskerar annars att dölja en låg träffsäkerhet.

Arbetsflödet visar också värdet av separata roller för planering och granskning, men den andra agenten gjorde inte resultatet deterministiskt. Kritiska söksteg kan behöva uttryckliga täckningskrav: exempelvis att varje kandidat måste få en definierad mängd rå sekvens inspekterad innan den sorteras bort. Det är en generell princip för kod-, säkerhets- och driftagenter lika väl som för bioinformatik.

Kostnaden redovisas i token men inte som ett komplett ekonomiskt belopp. 215,6 miljoner token är tillräckligt mycket för att budgetering, caching, parallellitet och stoppvillkor blir centrala delar av en reproducerbar metod. För känslig biologisk forskning tillkommer dessutom krav på dataåtkomst, biosäkerhet och mänskligt ansvar. Anthropic uppger att laboratoriet arbetar på BSL-1- och BSL-2-nivå och inte hanterar patogener som kan infektera människor.

LabOps IT:s bedömning

Det viktiga genombrottet är inte att Claude skulle ha skapat en ny CRISPR. Det har den inte. Nyheten är att ett generellt, verktygsanvändande agentsystem kunde hitta en biologiskt relevant anomali i ett enormt sökutrymme, dokumentera resonemanget och lämna över en kandidat som människor kunde undersöka i laboratoriet.

Samtidigt är misslyckandet i tio omkörningar minst lika lärorikt som fyndet. Det flyttar fokus från modellens abstrakta förmåga till agentmiljöns täckning och reproducerbarhet. Nästa verkliga framsteg blir ett arbetsflöde som pålitligt tvingar fram rätt datainspektion och kan återfinna samma klass av mönster i flera oberoende körningar.

Källor