アンソロピック（Anthropic）は2026年9月17日、クロード（Claude）がオープンソースの生体分子モデルを推論側から速く・省メモリにした、と研究記事で伝えました。対象は構造予測やタンパク質設計、タンパク質・ゲノムの言語モデルなどです。以下は、同社の研究ページと技術レポート、公開リポジトリ、競技案内の整理です。
中心は、新しい生命現象を見つけたことではありません。すでに公開されている予測・設計ツールを、同じ使い方のまま速く動かすことです。速さの数字は同社の測定です。
生体分子の立体を配列から予測するモデルや、狙った性質のタンパク質を設計するモデルは、計算コストが大きいです。とくに構造予測では、トークンの三つ組に対する処理（triangle attention／triangle multiplication）が、時間とメモリの主なボトルネックになります。系の大きさが2倍になると、時間とメモリはおよそ8倍になります。
アンソロピックは、クロード・サイエンス（Claude Science）の枠組みで、この推論を最適化しました。社内の汎用研究モデルが、生体分子向けの深層学習モデル30超を、約4週間で扱いました。監督は、生体分子モデリングの経験はあるが推論最適化やカーネル（GPU向けの低水準プログラム）は未経験だった技術スタッフ2人です。平均でおよそ4倍速くなり、精度の低下は小さいです。出力を完全に同じに保つ条件では、およそ2倍です。
共通の高速化として、フラッシュペアフォーマー（FlashPairformer）という独自カーネルを作りました。標準とされる実装と比べ、三つ組の注意処理は平均2.7〜2.9倍、三つ組の乗算は1.7〜3.2倍です。加えて、モデルごとに、重複計算のキャッシュや、死んだ分岐の整理など個別の最適化も入れました。
メモリ面では、省メモリのBigモードを追加しました。1万トークン（アミノ酸・塩基・低分子やイオンの原子など）を超える系を、単一のエヌビディア（NVIDIA）GPUノードで正確に予測できます。ヒトのミトコンドリア複合体Iや、細菌のリボソームなど、実験構造と近い予測例を示します。一方で、3万〜7万トークン級のウイルス殻などでは、同じノードで推論は走るものの、予測は崩れる例もあります。訓練時の文脈を大きく超えた一般化には限界があります。
以前の研究では、デノボ（de novo。配列の新規設計）の結合タンパク質（バインダー）設計に、ターゲットあたり最大約1万ドル相当のモーダル（Modal）計算（エヌビディアH100換算でおよそ2500時間）を使っていました。今回は、加速した生体分子モデルと短いプロンプトで、単一のエヌビディアH200と24時間を使う条件を示します。16ターゲットの平均では、以前と同程度の計算機上の結合スコア（ipSAE）を、GPU時間が約2桁少ない条件で出しました。GPUとトークンを合わせた見積もりでは、およそ150ドル程度でも同水準に届きます。
成果物はギットハブ（GitHub）のanthropics/uplifting-biomolecular-modelingにあります。キットは36個で、特定バージョンに固定した上流ツールと最適化を並べます。モードは、最適化なし（off）、同一出力の高速（exact）、わずかな数値差を許す高速（fast）、省メモリ（big）です。呼び出し方は上流ツールのまま変えません。リポジトリは参照用の公開で、継続メンテや外部からの修正提案は受けません。詳細は技術レポート「Accelerating open-source biomolecular models with Claude」にあります。
あわせて、アダプティブ・バイオ（Adaptyv Bio）とタンパク質設計の競技を、プロテインベース（Proteinbase）上で開きます。課題は5つで、2026年9月28日から10月31日に週次で公開する予定です。選ばれた設計は、実際の試験管や細胞での実験（湿式実験）で5000超を検証します。クロードの利用枠は最大100万ドル相当、モーダルの計算枠は最大25万ドル相当、ツイスト・バイオサイエンス（Twist Bioscience）がDNAを提供します。申請の締切は9月24日です。生命科学向けの検証プログラム（Life Sciences Verification Program）の公開ベータ開始にも触れています。
| 公表されている説明 | こちらで確認できていないこと |
|---|---|
| 約4週間でモデル30超を最適化。平均およそ4倍（最小精度低下）、同一出力ではおよそ2倍（アンソロピック） | 第三者による同じベンチ定義での再測定一覧 |
| フラッシュペアフォーマーが三つ組の注意処理を2.7〜2.9倍、三つ組の乗算を1.7〜3.2倍（同） | 読者環境でのカーネル再実装と、全モデル横断の再集計 |
| Bigモードで1万トークン超を単一GPUノードで正確予測。7万トークン超は推論可能だが崩れる例あり（同） | すべての巨大系での再現条件と失敗条件の第三者カタログ |
| 以前のバインダー設計と同程度の計算機上成績を、GPU時間約2桁減で達成（同） | 湿式実験での結合確認、公開モデルでの同条件再実行 |
| 36キットをギットハブ公開。モードはoff／exact／fast／big（リポジトリ） | キットの継続更新（READMEはメンテしない旨を明記） |
| アダプティブ共催競技の日程・クレジット・湿式検証の案内（研究記事／プロテインベース） | 申請後の採択結果、各課題の実験結果（発表前） |
受託のML推論では、モデル本体の入れ替え前に、カーネルとモードだけの差し込みで、応答までの待ち時間（レイテンシ）を短くできるかを見ます。画像検査や需要予測など、本体モデルを替えず推論モードだけ試す現場でも、同じ切り分けが使えます。
モードはoff／exact／fast／bigで切り替え、呼び出し方は上流ツールのまま変えません。Bigは通っても正しさは別問題です。36キットは参照用の公開で、継続メンテはしません。極端に大きい系では、推論が走っても予測が崩れる例があります。
