Nghiên cứu phát hiện các mô hình Claude được huấn luyện trên dữ liệu trình tự protein ở quy mô lớn
Các thử nghiệm mới cho thấy Claude Fable 5.2 và Opus 5.5 có thể dự đoán chính xác các axit amin trong những protein ít được nghiên cứu, chỉ ra rằng chúng đã được huấn luyện trên dữ liệu trình tự sinh học ở quy mô lớn.
Được dịch tự động từ bản gốc tiếng Anh.
Một cuộc điều tra kỹ thuật công bố vào tháng 11 năm 2026 tiết lộ rằng các mô hình Claude mới nhất đã được huấn luyện trên dữ liệu trình tự protein với quy mô đáng kể. Các nhà nghiên cứu Xinming Tu và Leo Tianlai Chen đã chứng minh rằng Claude Fable 5.2 và Claude Opus 5.5 có khả năng dự đoán chính xác axit amin tiếp theo trong các protein vi khuẩn ít được nghiên cứu, một năng lực mà các mô hình tiên phong khác không có. Phát hiện này gợi ý rằng Anthropic đã bao gồm các cơ sở dữ liệu sinh học khổng lồ trong kho ngữ liệu huấn luyện của mình, phân biệt cách tiếp cận của họ với các đối thủ cạnh tranh như OpenAI và Google.
Điều gì đã xảy ra
Nghiên cứu tập trung vào việc dự đoán axit amin tiếp theo bằng cách sử dụng bộ kiểm thử gồm 668 protein từ vi khuẩn và cổ khuẩn thuộc 167 họ Pfam chưa rõ chức năng. Những protein này được chọn vì chúng không có cấu trúc đã giải mã, có ít hơn ba bài báo liên quan và không có họ hàng gần trong các cơ sở dữ liệu tiêu chuẩn như UniProt. Bằng cách cắt mỗi protein tại năm điểm và yêu cầu mô hình dự đoán mười axit amin tiếp theo, các nhà nghiên cứu đã đo lường mức độ hiểu biết của mô hình về trình tự sinh học nền tảng thay vì chỉ đơn thuần lặp lại văn bản ghi nhớ từ tài liệu khoa học.
Kết quả cho thấy sự tương phản rõ rệt giữa các mô hình Claude và các hệ thống dẫn đầu khác. Claude Fable 5.2 đạt độ chính xác 54% trên các trình tự protein thực tế so với chỉ 9% trên các phiên bản đã xáo trộn nơi thứ tự bị phá vỡ. Claude Opus 5.5 cũng thể hiện hành vi tương tự, với độ chính xác tăng đáng kể so với các phiên bản trước đó. Để so sánh, GPT-6.2 Sol, GPT-6 Astra, Gemini và bảy mô hình mở trọng số (open-weight) bao gồm DeepSeek V4.1 Flash và Qwen 3.8 vẫn duy trì độ chính xác gần bằng không, ngay cả khi được yêu cầu tiếp tục văn bản FASTA thô. Điều này chỉ ra rằng trong khi các mô hình khác có thể biết về những protein nổi tiếng như GFP nhờ đọc các bài báo, chúng chưa nội hóa cấu trúc thống kê của các họ protein ở quy mô lớn.
Các thử nghiệm sâu hơn xác nhận rằng năng lực này bắt nguồn từ dữ liệu huấn luyện chứ không phải từ suy luận hay tìm kiếm web. Các mô hình hoạt động tốt như nhau trên các họ protein chưa có bài báo nào được công bố, loại trừ khả năng chúng học từ các mô tả dạng văn bản. Ngoài ra, độ chính xác cải thiện khi kích thước họ protein lớn hơn, phản ánh hành vi của các mô hình ngôn ngữ protein chuyên dụng. Kiến thức này cũng mở rộng sang 56 protein được công khai vào tháng 8 năm 2026, sau thời điểm cắt dữ liệu huấn luyện được báo cáo, cho thấy các mô hình có thể khái quát hóa sang các trình tự mới dựa trên cấu trúc họ đã học.
Cơ chế hoạt động
Cơ chế cốt lõi được kiểm tra là dự đoán token tiếp theo áp dụng cho các trình tự sinh học. Các mô hình ngôn ngữ protein thường đọc một chuỗi axit amin từ trái sang phải và dự đoán gốc (residue) tiếp theo có khả năng cao nhất dựa trên các mẫu đã học từ hàng triệu trình tự khác. Các nhà nghiên cứu đã áp dụng logic tương tự cho các mô hình ngôn ngữ lớn đa mục đích. Bằng cách cung cấp phần đầu của một trình tự protein và yêu cầu phần tiếp theo, họ đã kiểm tra xem mô hình có học được phân phối xác suất đồng thời của các axit amin trong các họ cụ thể hay không.
Để đảm bảo các mô hình không chỉ đơn thuần đoán dựa trên thành phần axit amin, các nhà nghiên cứu đã sử dụng phương pháp đối chứng liên quan đến các trình tự đã xáo trộn. Việc xáo trộn giữ nguyên các ký tự nhưng phá hủy trật tự sinh học. Một mô hình thực sự học được cấu trúc protein sẽ hoạt động tốt trên các trình tự thực nhưng kém trên các trình tự đã xáo trộn. Khoảng cách giữa hai điểm số này đo lường mức độ hiểu biết của mô hình về trật tự trình tự. Claude Fable 5.2 và Opus 5.5 cho thấy khoảng cách dương lớn, trong khi các mô hình khác thì không, chỉ ra rằng dữ liệu huấn luyện của Claude bao gồm đủ nhiều trình tự protein để học các phụ thuộc phức tạp này.
Chi tiết chính
- Claude Fable 5.2 đạt độ chính xác 54% trong việc dự đoán axit amin tiếp theo cho các protein ít được biết đến, vượt qua các mô hình ngôn ngữ protein mở như ProGen3-3B.
- Claude Opus 5.5 hoạt động ở mức tương đương với ProtGPT3-10B, một trong những mô hình ngôn ngữ protein mở lớn nhất hiện có.
- Các mô hình tiên phong khác, bao gồm GPT-6.2 Sol, GPT-6 Astra và Gemini, cho thấy độ chính xác gần bằng không trong cùng các nhiệm vụ, chỉ ra rằng chúng không được huấn luyện trên trình tự protein ở quy mô lớn.
- Các mô hình hoạt động tốt trên các họ protein chưa có bài báo công bố, chứng minh kiến thức đến từ dữ liệu trình tự chứ không phải tài liệu khoa học.
- Độ chính xác tương quan với kích thước họ, với hiệu suất ổn định ở khoảng 300 protein mỗi họ, phù hợp với cách các mô hình ngôn ngữ protein học.
- Năng lực này mở rộng sang các protein được công bố sau thời điểm cắt dữ liệu huấn luyện, thể hiện khả năng khái quát hóa sang các trình tự mới trong các họ đã biết.
Tại sao điều này quan trọng
Đối với các kỹ sư phần mềm và nhà nghiên cứu AI, phát hiện này làm nổi bật sự phân kỳ trong chiến lược huấn luyện giữa các nhà cung cấp mô hình tiên phong. Trong khi một số công ty tập trung chủ yếu vào văn bản và mã, Anthropic dường như đã tích hợp dữ liệu sinh học quy mô lớn vào các mô hình đa mục đích của mình. Điều này gợi ý rằng các LLM trong tương lai có thể ngày càng đóng vai trò là công cụ đa phương thức, có khả năng xử lý các lĩnh vực khoa học chuyên biệt mà không cần plugin bên ngoài hoặc tinh chỉnh (fine-tuning). Nó đặt ra câu hỏi về tính minh bạch của dữ liệu và tiềm năng xuất hiện các năng lực bất ngờ trong các mô hình đa mục đích.
Từ góc độ thực tiễn, điều này có nghĩa là các nhà phát triển xây dựng công cụ tin sinh học (bioinformatics) có thể tận dụng các mô hình Claude đa mục đích cho các nhiệm vụ trước đây chỉ dành cho các mô hình ngôn ngữ protein chuyên dụng. Nếu Claude có thể dự đoán trình tự và tiềm năng xếp hạng biến thể hoặc suy luận cấu trúc, nó có thể đơn giản hóa các quy trình hiện đang yêu cầu nhiều mô hình chuyên biệt. Tuy nhiên, điều này cũng ngụ ý rằng người dùng nên thận trọng vì các mô hình này có thể chứa dữ liệu sinh học nhạy cảm hoặc độc quyền nếu dữ liệu đó có mặt trong các tập huấn luyện.
Bạn có thể làm gì
- Kiểm tra các mô hình Claude trên các trình tự protein ít được biết đến của riêng bạn để xem chúng có cung cấp dự đoán hữu ích cho việc xếp hạng biến thể hoặc suy luận cấu trúc hay không.
- So sánh đầu ra của Claude Fable 5.2 với các công cụ chuyên dụng như ESMFold hoặc AlphaFold để phân tích sơ bộ nhanh chóng.
- Thận trọng khi sử dụng các LLM đa mục đích cho dữ liệu sinh học nhạy cảm, vì chúng có thể đã ghi nhớ các trình tự từ tập huấn luyện.
- Theo dõi các cập nhật từ Anthropic về nguồn dữ liệu và phương pháp huấn luyện để hiểu rõ hơn phạm vi kiến thức sinh học của họ.
- Cân nhắc sử dụng Claude để tạo giả thuyết ban đầu trong các nhiệm vụ kỹ thuật protein, tận dụng khả năng khái quát hóa của nó trên các họ protein.
- Xem xét lại chính sách quyền riêng tư dữ liệu của bạn nếu bạn tải lên các trình tự protein độc quyền cho bất kỳ dịch vụ LLM đám mây nào.



