Fortschritte in der Wissenschaft - von der Entdeckung bis zur Umsetzung

Claude ermöglicht Pharmaunternehmen, Biotech-Start-ups und Forschungseinrichtungen schnelleres Arbeiten bei Gewährleistung der Genauigkeit, die diese Arbeit erfordert.

„Wissenschaftler des Broad Institute bearbeiten die ehrgeizigsten Fragen in Biologie und Medizin, und wir entwickeln und teilen Tools, um Wissenschaftlern auf der ganzen Welt dabei zu helfen. Wir arbeiten eng mit Manifold an der nächsten Generation der Terra.bio-Plattform zusammen – Terra Powered by Manifold. Zu den spannendsten dieser Upgrades gehören KI-Agenten, die es Wissenschaftlern ermöglichen, Aufgaben in einem völlig neuen Maßstab und mit größerer Effizienz auszuführen und wissenschaftliche Bereiche auf bisher nicht mögliche Weise zu erforschen.“

Heather Jankins, Leiterin der Data Science-Plattform

Original anzeigen

“Broad Institute scientists pursue the most ambitious questions in biology and medicine, and we create and share tools to help empower scientists everywhere. We’ve been working closely with Manifold on the next generation of the Terra.bio platform—Terra Powered by Manifold. Among the most exciting of these upgrades are AI agents built on Claude that enable scientists to carry out tasks at an entirely new scale and efficiency and explore scientific domains in previously impossible ways.”

Heather Jankins, Head of Data Science Platform

Übersetzt anzeigen

„Für den Zugriff auf die Einzelzellen- und räumlichen Analysefunktionen von 10x war traditionell Rechenkompetenz erforderlich – vom Schreiben von Befehlszeilenskripten bis hin zur Verwaltung von Hochleistungs-Rechensystemen. Dieselben Tools können jetzt Fragen in einfachem Englisch beantworten. Mit Claude können Forscher jetzt gängige analytische Aufgaben wie das Abgleichen von Lesewerten, die Generierung von Feature-Barcode-Matrizen, Clustering und andere sekundäre Analysen über eine Konversationsschnittstelle durchführen, die herkömmliche Workflows ergänzt. So können Forscher schneller und einfacher direkt mit ihren Daten arbeiten. Claude senkt die Eintrittsbarriere für neue Benutzer und skaliert die Anforderungen großer Analysen für fortgeschrittene Forschungsteams.“

Serge Saxonov, Mitbegründer und CEO

Original anzeigen

“Accessing 10x’s single cell and spatial analysis capabilities has traditionally required computational expertise - from writing command-line scripts to managing high-performance computing systems. Now, these same tools can respond to questions asked in plain English. Using Claude, researchers can now perform common analytical tasks—including aligning reads, generating Feature Barcode matrices, performing clustering and other secondary analysis—through a conversational interface that complements traditional computational workflows, making it faster and easier for researchers to engage directly with their data. Claude lowers the barrier to entry for new users and scales to meet the needs of large-scale analyses for advanced research teams.”

Serge Saxonov, Co-founder and CEO

Übersetzt anzeigen

„KI in F&E funktioniert nur in einem Ökosystem. Anthropic macht dies richtig: Es kombiniert die besten Technologien und stellt gleichzeitig Zugriff, Governance und Interoperabilität an erster Stelle. Benchling kann einen einzigartigen Beitrag leisten. Seit über einem Jahrzehnt vertrauen Wissenschaftler uns als zuverlässige Quelle für experimentelle Daten und bei der Modernisierung ihrer Workflows. Jetzt entwickeln wir KI für dieses nächste Kapitel von F&E.“

Ashu Singhal, Mitbegründer und Präsident

Original anzeigen

“AI in R&D only works through an ecosystem. Anthropic is doing this right, bringing together the best technologies while putting access, governance, and interoperability first. Benchling is uniquely positioned to contribute. For more than a decade, scientists have trusted us as the source of truth for experimental data and to modernize their workflows. Now we're building AI that powers this next chapter of R&D.”

Ashu Singhal, Co-founder and President

Übersetzt anzeigen

„Claude ist in Kombination mit internen Wissensbibliotheken zu einem integralen Bestandteil der KI-gesteuerten Transformation von Sanofi geworden und wird von der Mehrheit der Sanofians täglich in unserer internen Concierge-App verwendet. Durch die Optimierung unserer Prozesse erzielen wir erhebliche Effizienzgewinne in der gesamten Wertschöpfungskette, während unsere unternehmensweite Bereitstellung die Arbeitsweise unserer Teams verbessert hat. Diese Zusammenarbeit mit Anthropic erweitert das menschliche Know-how, um Patienten weltweit lebensverändernde Medikamente schneller und effektiver bereitzustellen.“

Emmanuel Frenehard, Chief Digital Officer

Original anzeigen

“Claude, paired with internal knowledge libraries, has become integral to Sanofi’s AI-driven transformation and is used by the majority of Sanofians on a daily basis within our internal Concierge app. We are seeing significant efficiency gains across the value-chain by optimizing our processes, while our enterprise-wide deployment has enhanced how our teams work. This collaboration with Anthropic augments human expertise to deliver life-changing medicines faster and more effectively to patients worldwide.”

Emmanuel Frenehard, Chief Digital Officer

Übersetzt anzeigen

„Claude Code ist für uns bei Schrödinger zu einem starken Beschleuniger geworden. Für die Projekte, bei denen es am besten passt, können wir Ideen mit Claude Code innerhalb von Minuten statt Stunden in funktionierenden Code umwandeln. In einigen Fällen können wir bis zu 10-mal schneller arbeiten. Wir arbeiten weiterhin mit Claude zusammen und freuen uns darauf, wie wir die Art und Weise, wie wir unsere Software entwickeln und anpassen können, weiter verändern können.“

Pat Lorton, Executive Vice President, Chief Technology Officer und Chief Operating Officer

Original anzeigen

“Claude Code has become a powerful accelerator for us at Schrödinger. For the projects where it fits best, Claude Code allows us to turn ideas into working code in minutes instead of hours, enabling us to move up to 10x faster in some cases. As we continue to work with Claude, we are excited to see how we can further transform the way we build and customize our software.”

Pat Lorton, Executive Vice President, Chief Technology Officer, and Chief Operating Officer

Übersetzt anzeigen

„Bei Manifold ist es unsere Mission, Life-Sciences-Lösungen schneller und schlanker zu bieten. Durch die Integration von Claude konnten wir KI-Agenten entwickeln, die Fragen im semantischen Bereich von Wissenschaftlern in die Ausführung im technischen Bereich spezialisierter Datensätze und Tools übersetzen. Gemeinsam verändern wir die Art und Weise, wie F&E im Bereich Life-Sciences in den kommenden Jahren stattfinden wird.“

Sourav Dey, PhD, Mitbegründer und Chief KI Officer

Original anzeigen

“At Manifold, our mission is to power faster, leaner life sciences. Building with Claude has enabled us to develop AI agents that translate questions in the semantic space of scientists to execution in the technical space of specialized datasets and tools. Together, we’re transforming how life sciences R&D will happen in the years ahead.”

Sourav Dey, PhD, Co-founder and Chief AI Officer

Übersetzt anzeigen

„Wir bei PwC sind der Meinung, dass verantwortungsvolle KI nicht nur eine Technologiemöglichkeit ist, sondern auch eine Notwendigkeit für Vertrauen. Wir sind stolz darauf, unsere tiefen Branchenkenntnisse mit der agentischen Intelligenz von Claude zu kombinieren, um die Arbeitsweise von klinischen, regulatorischen und kommerziellen Teams neu zu gestalten. Gemeinsam optimieren wir nicht nur Prozesse, sondern steigern die Qualität, beschleunigen Entdeckungen und entwickeln Systeme, bei denen Vertrauen neben Innovation skaliert wird.“

Matt Wood, US-amerikanischer und globaler kommerzieller Technologie- und Innovationsmanager

Original anzeigen

“At PwC, we believe responsible AI isn’t just a technology opportunity—it’s a trust imperative. We’re proud to pair our deep sector insight with Claude’s agentic intelligence to reimagine how clinical, regulatory, and commercial teams operate. Together, we’re not just streamlining processes—we’re elevating quality, accelerating discovery, and building systems where confidence scales alongside innovation.”

Matt Wood, US and Global Commercial Technology and Innovation Officer

Übersetzt anzeigen

„Als wir einen KI-Agenten zur Automatisierung von Bioinformatikanalysen entwickeln wollten, haben wir uns auf drei Schlüsselfaktoren konzentriert, um uns für den Modellanbieter zu entscheiden: Top-Rang bei der Softwareentwicklung, Life-Sciences-Unterstützung und Unterstützung für Start-ups. Wir haben ein halbes Dutzend Plattformen bewertet und es wurde deutlich, dass Claude der Spitzenreiter ist. Wir freuen uns, diese Zusammenarbeit fortzusetzen und modernste KI-Agenten in die Welt der Biotechnologie-Forschung einzuführen.“

Alfredo Andere, Mitbegründer und CEO

Original anzeigen

“When we set out to create an AI agent that could automate bioinformatics analyses, we focused on three key factors to decide what model provider to use: top-ranking at software development, aligned with life sciences, and support for startups. We evaluated half a dozen platforms, and it became clear that Claude was the standout leader. We’re excited to continue this collaboration and bring cutting-edge AI Agents into the world of biotech research.”

Alfredo Andere, Co-founder and CEO

Übersetzt anzeigen

„Claude war ein unschätzbarer Fortschrittsmultiplikator für Axiom, da wir KI zur Vorhersage der Toxizität von Arzneimitteln einrichten. Wir haben Milliarden von Tokens in Claude Code verwendet und verwenden es, um viele unserer PRs zu schreiben. In jüngster Zeit sind Claude-Agenten mit MCP-Servern zu wichtigen Tools für unsere wissenschaftliche Arbeit geworden. Mit den richtigen MCPs können Claude-Agenten Datenbanken und Speicherdienste direkt abfragen, um Daten zu interpretieren, umzuwandeln und Korrelationen zu testen. Sie helfen uns dabei, zu ermitteln, welche Daten und Funktionen für die Vorhersage der klinischen Arzneimitteltoxizität am nützlichsten sind.“

Alex Beatson, Mitbegründer, Axiom Bio

Original anzeigen

“Claude has been an invaluable progress multiplier for Axiom as we build AI to predict drug toxicity. We’ve used billions of tokens in Claude Code, and use it to write many of our PRs. More recently, Claude agents with MCP servers have become core tools for our scientific work. With the right MCPs, Claude agents can directly query databases and storage services to interpret, transform, and test correlations in data, and help us identify what data and features are most useful for predicting clinical drug toxicity.”

Alex Beatson, Co-founder

Übersetzt anzeigen

„Bei EvolutionaryScale entwickeln wir KI-Systeme der nächsten Generation, um die lebendige Welt zu modellieren. Die Grenzmodelle von Anthropic beschleunigen unsere Fähigkeit, komplexe biologische Daten zu analysieren und in wissenschaftliche Erkenntnisse umzuwandeln. Dadurch können wir die Grenzen des Möglichen in den Biowissenschaften erweitern.“

Sal Candido, Mitbegründer, Chief Technology Officer

Original anzeigen

“At EvolutionaryScale, we’re building next-generation AI systems to model the living world. Anthropic’s frontier models accelerate our ability to reason about complex biological data and translate it into scientific insight, helping us push the boundaries of what’s possible in life science discovery.”

Sal Candido, Co-founder, Chief Technology Officer

Übersetzt anzeigen

0/5

Entwickelt für bahnbrechende Wissenschaft

KI, der Sie vertrauen können

Claude-Modelle sind sicher, akkurat und zuverlässig, sodass Sie Daten aus klinischen Studien und unternehmenseigene Produkte vertrauensvoll verarbeiten können.

Für wissenschaftliche Komplexität entwickelt

Analysieren Sie genomische Daten, fassen Sie die Ergebnisse aus Hunderten von Artikeln zusammen und entwerfen Sie Experimente mit vollständigen Zitierungen. Claude entspricht der Komplexität der modernen Arzneimittelentwicklung.

Entwickelt für F&E

Claude kann mit Benchling, PubMed, 10x Genomics und Ihren Laborplattformen verbunden werden, damit jeder Wissenschaftler seine Arbeit von der Entdeckung bis zur Einreichung bei den Behörden beschleunigen kann.

Entdecken mit Claude

Wir arbeiten mit führenden Pharmaunternehmen und Forschungseinrichtungen zusammen, um sicherzustellen, dass Claude sich an die Anforderungen der Life-Sciences weiterentwickelt und echte wissenschaftliche Entdeckungen voranbringt.

Fallstudie

Novo Nordisk beschleunigt mit Claude klinische Dokumentation und Arzneimittelentwicklung

Livestream

Dario Amodei, CEO und Mitbegründer von Anthropic, spricht mit einem leitenden Kundengremium über seine Vision für KI im Gesundheitswesen und den Life-Sciences.

Wie Life-Sciences-Teams Claude verwenden

Prompt

Ich muss einen klinischen Phase-2-Plan für unser Parkinson-Medikament entwerfen. Im Anhang finden Sie eine Zusammenfassung des Biologikums, einschließlich molekularer Ziele, Wirkmechanismus und präklinischer Daten aus unserer Phase-1-Studie. Verwenden wir den Skill für das klinische Protokoll.

Anhänge

Biologische Zusammenfassung der PD

1,2 MB

PDF

Zusammenfassung der Ergebnisse von Phase 1

348 KB

XLSX

Protokoll für die klinische Phase 2

ABX-7291 zur Behandlung der Parkinson-Krankheit | DRAFT v0.1

Studienübersicht

Protokolltitel: Eine randomisierte, doppelblinde, plazebokontrollierte Phase-2-Studie zur Bewertung der Wirksamkeit und Sicherheit von ABX-7291 bei Patienten mit Parkinson-Krankheit im frühen Stadium

Sponsor: [Name des Sponsors]

Phase: Phase 2

Indikation: Parkinson-Krankheit im frühen Stadium (Hoehn & Yahr Stadium 1-2)

Studiendauer: 24 Wochen Behandlung + 4 Wochen Nachbeobachtung

Ziele und Endpunkte

Primäres Ziel

Bewerten Sie die Wirksamkeit von ABX-7291 im Vergleich zu Placebo bei der Reduzierung der motorischen Symptome bei Patienten mit Parkinson-Krankheit im frühen Stadium.

Primärer Endpunkt

Änderung gegenüber dem Basiswert in der MDS-UPDRS Teil III (Motorische Prüfung) in Woche 24.

Sekundäre Endpunkte

Änderung gegenüber dem Ausgangswert im MDS-UPDRS-Gesamtergebnis in Woche 24
Anteil der Patienten, die eine Verbesserung von ≥30 % bei MDS-UPDRS Teil III erzielten
Änderung der Bewertung für PDQ-39 (Lebensqualität) in Woche 24
Sicherheit und Verträglichkeit (AEs, Laborparameter, Vitalfunktionen)

Studiendesign

Dies ist eine Phase-2-Studie, randomisiert, doppelblinde, plazebokontrolliert mit Parallelgruppen. Patienten, die in Frage kommen, werden im 1:1:1 randomisiert und erhalten 24 Wochen lang ABX-7291 in niedriger Dosis, ABX-7291 in hoher Dosis oder Placebo.

Stichprobengröße und Begründung

Registrierung insgesamt: 120 Patienten (40 pro Arm)

Statistische Leistung: 80 % Leistung bei α=0,05 (beidseitig)

Erwartete Effektgröße: 5 Punkte Unterschied in MDS-UPDRS Teil III (SD = 8)

Ausstieg aus der Entwicklung: 15 % (basierend auf vergleichbaren Phase-2-Entwicklungsstudien)

Grund: Die Stichprobengröße wurde aus der Analyse von 12 vergleichbaren Phase-2-Studien auf ClinicalTrials.gov mit ähnlichen Indikationen und Endpunkten abgeleitet.

Regulatorische Referenzen

21 CFR 312 (Antrag auf neues Arzneimittel zur Prüfung)
FDA-Leitlinien: Parkinson-Krankheit: Entwicklung von Arzneimitteln zur Behandlung (2023)
ICH E6(R2): Gute klinische Praxis
ICH E9: Statistische Grundsätze für klinische Studien

Generiert mit dem Skill "Generierung klinischer Protokolle"

Quellen: ClinicalTrials.gov (12 vergleichbare Studien), FDA-Leitlinien

Bereit zur Überprüfung durch Biostatistiker und Regulierungsbehörden

‍

Protokollerstellung

Entwürfe von Studienprotokollen, SOPs und Einwilligungsdokumenten direkt in Benchling. Claude strukturiert experimentelle Workflows, doch Sie behalten die Kontrolle über wissenschaftliche Entscheidungen.

Prompt

Meine Kollegen haben kürzlich die angehängte Einzelzelldatenbasis veröffentlicht, die die Unterschiede in der Genexpression zwischen Leberproben von Erwachsenen und Kindern beschreibt, wobei der Schwerpunkt auf dem Immunsystem liegt. Ich möchte diese Proben untersuchen, werde mich jedoch auf die Parenchymzellen und Unterschiede zwischen der Leber von Erwachsenen und Kindern konzentrieren. Hilf mir, zuerst die differentiell exprimierten Gene durchzugehen und eine Heatmap zu erstellen. Anschließend müssen die Pfade oder Gengruppen identifiziert werden, die in jeder Probe angereichert sind.

Forschungssynthese

Durchforsten sie Hunderte Abhandlungen in Stunden statt Wochen. Claude fasst Ergebnisse aus biomedizinischer Literatur zusammen, identifiziert Widersprüche und generiert testbare Hypothesen mit überprüfbaren Zitaten.

Prompt

> Nutze die scRNA-qc Funktion, um eine Qualitätsanalyse und eine Filterung in der Rohdatenmatrix meines Experiments durchzuführen

Jetzt möchte ich die Qualitätsanalyse in der Rohdatenmatrix ausführen:
Bash(python3 scripts/qc_analysis.pypbmc_test_data/raw_feature_bc_matrix.h5)
↳===========================================================
Single-Cell RNA-seq Quality Control AnalysisFollowing scVerse Best Practices
… +60 lines (ctrl+o to expand)

Ausgezeichnet! Die Qualitätsanalyse wurde abgeschlossen. Ich möchte die Darstellungen aktualisieren:
Lies(qc_metrics_before_filtering.png)↳ Bild lesen (732,3 KB)
Lies(qc_filtering_thresholds.png)↳ Bild lesen (210 KB)
Lies (qc_metrics_after_filtering.png)↳ Bild lesen (1,1 MB)
Perfekt! Ich habe die Qualitätsanalyse deiner Rohdatenmatrix mit dem Funktion scRNA-qc erfolgreich abgeschlossen. Hier ist eine Zusammenfassung der Ergebnisse:Zusammenfassung der QualitätsanalyseDatenbasis: 2.700 Zellen × 32.738 Gene (roh)Qualitätskennzahlen erkannt:
- 13 mitochondriale Gene
- 106 ribosomale Gene
- 13 Hämoglobingene
MAD-basierte Filterschwellenwerte:
- Anzahl insgesamt: 709 - 6.812
- Gene erkannt: 367 - 1.821
- Mitochondrien in %: MAD-Schwellenwert 3,65 %, Hard-Schwellenwert 8,0 %
Filterergebnisse:
- 266 Zellen wurden als Ausreißer entfernt (9,9 %)
- 2.434 Zellen beibehalten (90,1 %)
- Reduzierung der Genfilterung von 32.738 auf 9.487 Gene (29,0 %)
Wichtige Beobachtungen aus den Darstellungen:
1. Vor der Filterung: Die Daten weisen eine typische scRNA-seq-Qualität auf, wobei die meisten Zellen 1.000 bis 2.000 Zählungen aufweisen und 500 bis 1.000 Gene erkennen. Der Mitochondriengehalt ist generell niedrig (<5 %), was ausgezeichnet ist.
2. Schwellenwerte: Die MAD-basierten Schwellenwerte sind permissiv (5 MADs für Anzahl/Gene, 3 MADs für MT %), wobei Best Practices eingehalten werden, um eine Überfilterung zu vermeiden.
3. Nach der Filterung: Die gefilterte Datenbasis weist übersichtlichere Verteilungen mit strengeren Clustering, geringeren Mitochondriengehalt (meist <3 %) und guter Zell-Gen-Korrelation auf.
Erstellte Ausgabedateien:
- raw_feature_bc_matrix_filtered.h5ad - Gefilterte Datenbasis bereit für die nachgelagerte Analyse
- raw_feature_bc_matrix_with_qc.h5ad – Originaldaten mit Anmerkungen aus der Qualitätsanalyse
- PNGs zur Darstellung der Qualitätsanalyse (vorher/Schwellenwerte/nach)
Die Datenqualität sieht ausgezeichnet aus! Du kannst jetzt mit den nachgelagerten Analysen wie Normalisierung, Dimensionalitätsreduktion und Clustering unter Verwendung der gefilterten Datenbasis fortfahren.

Bioinformatik und Datenanalyse

Verarbeiten Sie genomische Daten und optimieren Sie Analyse-Workflows mit Claude Code. Claude stellt Ergebnisse klar dar, sodass Sie problemlos mit funktionsübergreifenden Teams kommunizieren können.

Prompt

Fassen Sie die Sicherheitsergebnisse unserer Phase-1-Studie für die IND (klinisches Sicherheitsmodul) zusammen. Markieren Sie alle Signale, die in Phase 2 überwacht werden müssen.

Anhänge

Bericht über unerwünschte Ereignisse

15 KB

CSV

Klinische Laborergebnisse

348 KB

CSV

Zusammenfassung zur klinischen Sicherheit

Modul 2.7.4 | IND-2024-0892

Studienübersicht

Arzneimittel: ABX-4721 (entzündungshemmendes Biologikum)

Phase: Phase 1

Fächer: 48 gesunde Freiwillige

Dauer: 12 Wochen

Zusammenfassung des unerwünschten Ereignisses

Fächer mit AEs insgesamt: 23 (47,9 %)

Schwerwiegende unerwünschte Ereignisse: 2 (4,2 %)

Abbruch aufgrund von AEs: 1 (2,1 %)

Sterbefälle: 0

Sicherheitssignale für die Phase-2-Überwachung

⚠ Hepatisch

Erhöhter ALT (> 3-mal ULN): 3 Fächer (6,3 %)

Alle Probleme wurden ohne Eingreifen innerhalb von 14 Tagen gelöst

→ Empfehlung: LFT-Überwachung in den Wochen 2, 4, 8

⚠ Reaktionen an der Injektionsstelle

Leichtes Erythem: 8 Probanden (16,7 %)

Keine Verarbeitung erforderlich

→ Empfehlung: Bewertung des Schweregrads von Dokumenten in Phase 2

Regulatorische Referenzen

21 CFR 312.32 (IND Sicherheitsberichte)
ICH E2A: Klinisches Sicherheitsdatenmanagement
FDA-Leitfaden: Risikobewertung vor dem Marketing

Generiert aus hochgeladenen AE-Berichten und Labordaten

Alle Quelldokumente verknüpft für den Audit-Trail

‍

Klinische und regulative Strategie und Compliance

Erstellung von regulativen Zusammenfassungen und Zusammenstellung von Sicherheitsdaten über Module hinweg mit vollständigen Auditpfaden. Konzentrieren Sie sich auf wissenschaftliche Entscheidungen, nicht auf Dokumentenformatierung.