2026/10/21 2:48

Claude がデザインした蝎毒神経毒素に対するタンパク質結合体

RSS: https://news.ycombinator.com/rss

要約▶

Japanese Translation:

最も重要な知見は、人工知能がスコルピオンの個別の神経毒と結合するタンパク質の設計に成功した一方で、複数の異なる毒素を同時に中和できる分子の作成には失敗した点です。この飛躍は、年間 120 万人以上の刺傷および多数の死亡を引き起こしているという放置された熱帯病であるスコルピオンによる毒刺傷の文脈で発生しています。研究者たちは、Claude を含む AI デザインツールを最大 64 時間自律的に実行させ、約 1 万時間の GPU 時間を消費して 318,000 以上の候補を生成し、その中から Twist Bioscience、Adaptyv Bio、Citrini Research による実験的な検査のために 211 のものを選定しました。表面プラズモン共鳴法を用いたラボラトリーでの検証では、単一毒素への結合でナノモラー級の強い親和性を備えた厳格な基準を満たしたのは設計案の 17 件のみであり、多毒素を対象とするものは何もありませんでした。これらの成功した結合体は既存の中和抗体とも競争し、毒物の標的サイトに対する特異性を証明しました。この成功にもかかわらず、本研究は現在の自律的な AI キャンペーンが依然として複雑なマルチターゲット相互作用を扱えないという技術的な限界を浮き彫りにしています。しかしながら、本プロジェクトは科学的コミュニティに対して 211 のすべての設計および結合データを備えた貴重な再利用可能なデータセットを提供しており、非専門家にも放置された疾病への挑撃を可能にし、将来的にはマウスにおける機能試験を開発してより安全な抗血清の開発につながる道を開いています。

Text to translate:

(if needed; otherwise repeat the original):

The most critical finding is that while artificial intelligence successfully designed proteins to bind individual scorpion neurotoxins, it failed to create molecules that could neutralize multiple distinct toxins simultaneously. This breakthrough occurs in the context of scorpion envenomation, a neglected tropical disease responsible for over 1.2 million stings and thousands of deaths annually globally. Researchers utilized AI design tools (including Claude) running autonomously for up to 64 hours and consuming roughly 10,000 GPU hours to generate over 318,000 candidates, from which they selected 211 for experimental testing by Twist Bioscience, Adaptyv Bio, and Citrini Research. Laboratory validation using surface plasmon resonance revealed that only 17 designs met strict criteria for single-toxin binding with strong nanomolar affinity, while none targeted multiple toxins. These successful binders even competed with existing neutralizing antibodies, proving their specificity to the target sites on the toxins. Despite this success, the study highlights a significant technical limitation: current autonomous AI campaigns cannot yet handle complex, multi-target interactions. Nevertheless, this project provides an invaluable reusable dataset of all 211 designs and binding data for the scientific community, empowering non-experts to tackle neglected diseases and paving the way for future functional trials in mice to develop safer antivenoms.

本文

クロードによるサメノトキシンミニバインダーの設計と実験的検証：「放置される熱帯病」への AI によるアプローチ

プロジェクトの概要と背景

目的: クロードが医薬品発見の加速に貢献できるかを実験。サメノトキシンに対する**ミニバインダー（微小タンパク質）**の設計を内部研究用モデルへ依頼。
協力体制:
- プロンプト策定：財務投資研究ファーム「シトリーニ・リサーチ」。
- 実験的検証：アダプティブバイオおよびツイスト・バイオサイエンスのチーム（211 デザインの実験的結合性テスト）。
成果: 設計されたデザインのうち、基準を満たしたのは 17 つ。全データと 211 のデザインをオープンソースとして公開。

プロジェクトの着想

シトリーニ・リサーチチームから、「AI が非専門家チームが真の健康課題に取り扱うことを可能にするか」という問いかけ。
クロードとのブレインストーミングの結果、サメノトキシンに対する新規タンパク質バインダー設計を決定。将来的には抗毒血清開発に応用を見込む。

社会的・科学的課題

深刻な現状: 毎年 120 万人以上がサメに刺され、うち約 3,250 人（主に医療アクセス制限地域の子ども）が死亡。
「放置される熱帯病」: 治療法開発コストが高く費用回収困難なため、長年の間研究が進まなかった病気。

設計プロセスと戦略

1. クロードの自律的な設計キャンペーン

運用期間: 64 時間。
構成:
- 初期プロンプト：シトリーニ社による既存の研究用プロンプトの適応修正版を使用（ターゲット、ツール、ルール定義）。
- フォローアップ: 4 つの指示により方向性を修正・深化。
クロードの役割: 研究データ分析、図生成、最終報告書草案作成までを自律的に実行。
出力規模:
- 生成デザイン数：318,484 件。
- テスト対象選定：318,484 件のうち180 件を選択。
- チームによる追加設計：クロード支援下でさらに31 件を追加（合計 211 デザイン）。

2. ターゲット設定と戦略

対象毒素: 4 つの地域（メキシコ、ブラジル、北アフリカ、中東）にまたがる5 種類のサメ毒ノトキシン。
- Cn2, Ts1 (βファミリー)
- AaH I, AaH II, LqhIII (αファミリー)
アプローチ:
- 特定のチャネル結合部位（ホットスポット）をターゲットに設定。
- データベース（PDB, AlphaFold）検索による構造選択。
デザイン戦略の多様性:
1. 5 毒素それぞれに対する個別バインダー。
2. βファミリー（Ts1, Cn2）向けバインダー。
3. αファミリー（AaH II, AaH I, LqhIII）向けバインダー。
4. 5 毒素を同時にターゲットとする多毒素バインダー（コスト効率・地域中立性の観点から重要）。

3. クロードの自律性に関する評価

24 時間目: 自律動作により成果を得て、キャンペーン継続へ促す。
フォローアッププロンプト: 主に多毒素バインダー設計へ指示転換。
最終判断: 3 回目のフォローアップ後、最も強いバインダー（Cn2-B1 など）を選択。
GPU 使用時間: 約10,000 時間。

実験室での検証結果

評価基準の厳格化

すべてのデザインが以下の 3 つの基準を満たすことを条件にテストを実施：

再現性: アダプティブバイオおよびツイスト・バイオサイエンスの両実験室でヒット。全てのレプリケートで結合証拠を示す。
親和性: 解離定数（K_D）が1 µM 未満であること。
特異性: 無関係のヒトタンパク質 CLEC12A に対して結合を示さない（オフターゲット結合がない）。

デザインの評価結果（211件中）

基準達成数: 17 件のみが基準を満たす。
単一毒素向けデザイン: 60 件中、11 件（約 18%）が該当。従来の設計キャンペーンの結果と一致。
- Cn2: 7 件
- AaH II: 4 件
- AaH I: 4 件
- LqhIII: 2 件
多毒素向けデザイン: 0 件。
- 機能限界、ツール制約、あるいは多毒素設計自体の生物学的実現可能性などの課題が確認された。

検証方法の詳細

製造方法:
- アダプティブバイオ: 細菌発酵による細胞外系表現。
- ツイスト・バイオサイエンス: ヒト腎臓細胞を用いた Fc フュージョン蛋白としての表現。
測定手法: **表面プラズモン共鳴法（SPR）**を用いたリアルタイム結合追跡。

抗体との比較と機序解析

Cn2 バインダーの特異性

最も強力なデザイン: Cn2-B1, Cn2-B2。
親和性: 単位数のナノモラー範囲（ナノバインダー）を示し、既存の抗体・ナノボディと同等以上の性能。
結合部位の確認:
- 競合実験を実施（Cn2 バインダーが存在すると、既知の中和抗体「LR」との結合が減少）。
- 結果：Cn2 バインダーは、マウスで Cn2 を中和する抗体 LR と**同一のエピトープ（結合部位）**に付着することが示唆された。
- メカニズム：イオンチャネルの毒素結合部分をブロックし、神経発火を阻害。

専門家による評価

Susana Vázquez Torres氏（スペイン国立がん研究所）および Timothy P. Jenkins氏（デンマーク技術大学）。
評価: 「有望な第一歩」。AI による複数毒素設計と実験的確認の短縮は、中毒症や他の放置される疾患の治療開発を加速する可能性を示す。

意義と今後の課題

AI 駆動のパラダイムシフト

速度の向上: 数日間で高信頼性バインダーを設計・実験確認が可能に。
放置される疾患への貢献: 商業的インセンティブが低い動物毒素や毒蛇など、従来開発が遅れていた分野において画期的なツールを提供。
代替案の実現: 動物由来抗体（製造に数ヶ月かかり高価）に対し、計算機上で設計し最適化できる分子は、供給の安定性とコスト削減を可能にする。

限界と次のステップ

本研究の結果はあくまで**「結合の確認」**であり、「中和作用」や「治療薬としての承認」ではないことを明記する：

確認されていない事項:
- 細胞内環境（in vivo）での毒素中和効果。
- 生体内動物（マウスなど）での保護効果。
- 精製された天然毒素に対する結合確認。
- 安全性、安定性、安価さの確保。
実現までのプロセス:
1. 精製毒素への結合確認。
2. パッチクランプ記録による細胞内機能評価（チャネル阻害の確認）。
3. マウスを用いた実効性テスト。
4. 臨床医、資金提供者、政策立案者の連携による開発・普及。

オープンソースとしての姿勢

データ公開: 全ての211 デザインとその結合データを公開。
目的: 他の研究者がこの結果を基盤としてさらに発展させ、抗毒血清設計の研究加速への貢献を期待。

同じ日のほかのニュース

一覧に戻る →

2026/10/21 3:29

許認可付きシムシティ

## Japanese Translation: 「Permit Pending」は、プレイヤーの役割を全能な計画者から市町村行政の実態に直面する脆弱な選出された職吏へと転換させることで、都市シミュレーションを再定義します。明確な勝利条件を持つ従来のゲームとは異なり、このサンドボックス体験は市民が市長を罷免するまで無限に続き、成功の鍵はインフラを整備することのみならず、複雑な官僚主義と政治的課題に対応して生き延びるかに依存することが強調されています。すべての建設プロジェクトは必要な審議会の招集、法的レビュー、さらには潜在的な訴訟を引き起こし、霧などに関する懸念を抱える住宅所有者、業界団体、環境保護主義者からの自然な反対を誘発します。プレイヤーは 4 年ごとの再選に直面する 7 議席の評議会において多数派を維持するため、公聴会で譲歩を行わなければなりません。有権者 turnout が高いグループは時間とともに過剰な影響力を行使するため、変動する政治情勢への適応が求められます。ヒートマップなどの診断ツールにより住民の人口統計が可視化され、特定の政策がなぜ反発やゲーム内の新聞「The Gazette」で報じられたスキャンダルへと至るのかを説明します。いくつかの法的訴訟は市長の任期を超えて継続することもでき、インフラストラクチャに関する決定は土地価格、家賃、雇用、税金、サービスにわたって実質的な経済における予期せぬ結果を生み出します。ブラウザベースのサンドボックスであり勝利画面やキャンペーンモードを備えず、最初の訪問後にはオフラインで動作し、プレイヤーは村として新たなスタートを切るか、他人の都市から既存の問題を引き継ぐことができます。

2026/10/21 7:21

連邦当局は、ランサム交渉担当者による ShinyHunters の金銭要求サイト運営を疑っている

## Japanese Translation: # 結論：調査は驚くべき事実を明らかにしており、主要なランサムウェア集団「ShinyHunters」が、その伸縮サイトの管理を担当する米国の企業やカナダの企業のトップ経営者から直接的な支援を受けていることが判明した。従来の助言とは異なり、これらの仲介人は積極的に交渉を促進し、場合によっては被害者よりも先に機密データの窃取の詳細を知っていることもある。あるカナダの経営者は、脅迫される前に政府機関のファイルが盗まれていたことをFBIに報告しなかった。この深い協力関係は2019年以来進化しており、殺人依頼計画を含む計画や、「Rey」のような現在の指導者を「Ghostbyte」であるDaniel Tobokなどの以前の人物と結びつけるものも含まれている。このスキャンダルは業界内で重大な利益相反の問題を浮き彫りにしている：ランソムの一部割合を受け取る仲介人は、攻撃を止めるのではなく、結果としてより高い支払いを促すように無意識に動機付けられる可能性がある。起訴はEdward Dubrovskyのような個人や未起訴の米国コンサルタントを対象としており、企業の過失か積極的な共犯が深刻な法的結果をもたらすことを示している。当局は被害者にランソムの支払いを行わないよう明確に警告しており、データは通常二次的な伸縮のために利用可能であり続けるためである。最終的に、この事件は以前会社を支援していた交渉サービスに対する信頼を破壊しており、一部のサイバー犯罪ネットワークが効果的に動作するためには内部の経営者への依存が不可欠であることを証明している。 ## Text to translate: Summary: A disturbing investigation reveals that major ransomware group ShinyHunters receives direct support from high-level executives at U.S. and Canadian firms who manage its extortion websites. Unlike traditional advice, these intermediaries actively facilitate negotiations, sometimes knowing sensitive data theft details before the victims do. One Canadian executive failed to alert the FBI regarding stolen agency files prior to their threatened release. This deep collaboration has evolved since 2019, involving plans for murder-for-hire and linking current leaders like "Rey" to former figures such as Daniel Tobok ("Ghostbyte"). The scandal highlights a critical conflict of interest within the industry: negotiators charging percentages of ransoms may inadvertently incentivize higher payments rather than stopping attacks. Prosecutions are now focusing on individuals like Edward Dubrovsky and uncharged U.S. consultants, demonstrating that corporate negligence or active collusion carries severe legal consequences. Authorities explicitly advise victims against paying ransoms, as data often remains accessible for secondary extortion. Ultimately, this case destroys trust in negotiation services that previously assisted companies, proving that some cybercriminal networks rely entirely on insider executives to operate effectively.

2026/10/20 18:08

DeepInfer：DeepSeek モデル向けの高性能推論フレームワーク

## Japanese Translation: DeepInfer は、NVIDIA SM100 GPU および Huawei Ascend 950 NPU 上でスケールサービング能力を備え、DeepSeek-V4.1-Flash モデルの DeepSeek の本番サービスを支えるオープンソースの高パフォーマンス推論フレームワークです。主に vLLM に構築され、SGLang および TensorRT-LLM を念頭に置いて設計されています。最適化されたカーネル（FlashMLA、DeepGEMM、DeepEP、TileKernels、DeepSelect、カスタム TileLang）と、Attention DP、バランスの取れた CP、MoE EP+EPLB、DSpark、信頼度に基づく検証、SWA 有界再生非同期スケジューリング、バッチ不変推論、決定論的サンプリング、構造化出力（regex/JSON スキーマ/EBNF）を含む高度な並列化戦略を支援します。コア機能は環境変数経由で設定可能であり、DEEPINFER_ENABLE_MTP_VARLEN=1 で DSpark/検証を有効化し、DEEPINFER_USE_NEXTN_DECODE（デフォルト：5）で最大ドラフト長を制御します。デフォルトの V4.1 設定に対しては、DEEPINFER_YOCO_PREFILL_TRUNCATION_MODE=compact と DEEPINFER_YOCO_PREFILL_KEEP_TOKENS=140 でデコーダー SWA 有界再生非同期スケジューリングを設定します。デフォルトで CPU バッチスケジューリングとデバイス実行のオーバーラップを可能にするため、非同期スケジューリングを有効化し、NVIDIA 上で DEEPINFER_BATCH_INVARIANT=1 でバッチ構成間での同等の結果を実現するバッチ不変推論を活性化します。DEEPINFER_BATCH_INVARIANT=1、DEEPINFER_ENABLE_MTP_VARLEN=0、SamplingParams の固定 seq_seed を使用することで NVIDIA 上で決定論的サンプリングを実現し、SamplingParams に so_args={"schema_type": ..., "schema": ...} を渡すことで生成を regex/JSON スキーマ/EBNF に制限します。完全な本番環境のセットアップには、専用の KV キャッシュシステムの統合、 disaggregated 形式での prefill/decode 操作の実施、およびデータ並列レプリカ間での負荷分散（初回リリースには含まれていない）が最終的には必要となる可能性があります。ユーザーは Linux、GCC ≥13.0、Python 3.12、CUDA 13（NVIDIA）または CANN 9.2（Ascend）、そして空の Python 3.12 環境の作成、DEEPINFER_ACCELERATOR=nvidia または ascend のエクスポート、および ./build.sh の実行からすぐに始めることができます。オフライン推論はデフォルトで deepseek-ai/DeepSeek-V4.1-Flash-1017 チェックポイントを使用し、初回実行時に Hugging Face キャッシュにダウンロードするか、DEEPINFER_HF_MODEL_DIR を介してオーバーライドします。例コマンドは python examples/offline_inference.py です。パフォーマンスベンチマークは 1 スケールアップドメイン内での prefill に 4 SM100 GPU、decode に 64 を使用して測定されました（再現は run_sweep.sh で可能；詳細は eval/README.md を参照）。このフレームワークは Apache License 2.0 の元でリリースされており、GitHub（https://github.com/deepseek-ai/DeepInfer）上で DeepSeek-AI（2026）に帰属しています。