Claude Science: Warum Anthropic mit neuer API die Pharma-Forschung antreibt

Anthropic öffnet mit der Biological Research Workbench neue API-Endpunkte für Enterprise-Partner und verspricht, Proteinfaltung-Simulationen drastisch zu beschleunigen. Felix Braun hat sich durch Release-Notes, Fachdatenbanken und ein bisschen Pharma-Jargon gekämpft – und erklärt, was an der Ankündigung wirklich neu ist und was Marketing-Schaum bleibt.

Vor ein paar Jahren habe ich versucht, einen Raspberry Pi zu einer Wetterstation umzubauen, die per Bastelprojekt-Ehrgeiz auch noch Luftdruck-Trends vorhersagen sollte. Ergebnis: Ein Gerät, das zuverlässig meldete, dass es „wahrscheinlich irgendwann“ regnet. Ich erzähle das, weil mir bei der Ankündigung der neuen Biological Research Workbench-Endpunkte von Anthropic ein ähnliches Gefühl kam: große Versprechen, viele bewegliche Teile, und die Frage, ob am Ende wirklich ein Protein zuverlässiger faltet oder nur ein neues Dashboard blinkt. Am 7. Juli 2026 hat Anthropic laut eigenem Engineering-Blog und den offiziellen API-Release-Notes neue Schnittstellen für Enterprise-Partner freigegeben, die Proteinfaltung-Simulationen im Rahmen von Claude Science beschleunigen sollen. Im Ernst: Wenn eine KI-Firma anfängt, über Proteinfaltung zu sprechen, wird es Zeit, genauer hinzuschauen.

Claude Science: Workbench statt neues Gehirn

Nerd-Alarm: Claude Science ist keine neue KI. Das muss man einmal klar sagen, weil es in vielen Schlagzeilen anders klingt. Anthropic beschreibt Claude Science als „AI workbench for scientists“ – also als spezialisierte Arbeitsoberfläche, die auf den bestehenden Claude-Modellen aufsetzt, aktuell vor allem auf Claude Sonnet 4.5, das laut Anthropic gezielt für die Analyse wissenschaftlicher Literatur und biologischer Daten optimiert wurde. Die Workbench selbst bringt keine neue Denkmaschine mit, sondern über 60 vorkonfigurierte Fähigkeiten und Anbindungen an Datenbanken aus Genomik, Einzelzell-Analyse und Cheminformatik.

Das Prinzip ist eher wie ein sehr gut sortierter Werkzeugkoffer als wie ein neues Werkzeug. Claude Science verbindet sich mit Fachdatenbanken wie UniProt, der Protein Data Bank (PDB), Ensembl und ChEMBL und kann darüber Forschungsfragen bearbeiten, die früher stundenlanges Tool-Hopping zwischen einzelnen Fachprogrammen erforderten. Wer selbst schon mal versucht hat, zwischen fünf offenen Fenstern, drei Excel-Tabellen und einer Kommandozeile den Überblick zu behalten, weiß, wie viel allein die Bündelung an Nerven sparen kann. Für Anthropic ist das ein logischer nächster Schritt nach den Agenten-Verbesserungen, die auch bei Claude Opus bereits sichtbar wurden.

Die neue Biological Research Workbench API im Detail

Spoiler: Die eigentliche Neuerung vom 7. Juli 2026 liegt nicht im großen Claude-Science-Paket selbst, sondern in einer sehr spezifischen Erweiterung darunter. Die Biological Research Workbench-Endpunkte richten sich laut Anthropic Engineering Blog explizit an Enterprise-Partner und sollen Proteinfaltung-Simulationen direkt über die API ansteuerbar machen, statt sie nur über die grafische Workbench-Oberfläche zu bedienen. Für Forschungsteams, die eigene Pipelines betreiben, ist das ein handfester Unterschied: Statt Klicks in einer Oberfläche gibt es jetzt programmierbare Schnittstellen, die sich in bestehende Laborsoftware, Cluster-Jobs oder interne Workflow-Systeme einklinken lassen.

Praktisch bedeutet das: Ein Pharma-Unternehmen kann eine Proteinfaltung-Anfrage nicht mehr nur manuell in Claude Science eintippen, sondern sie automatisiert aus einer bestehenden Simulationskette heraus abfeuern, die Ergebnisse zurückholen und in die eigene Datenbank schreiben lassen. Das klingt unspektakulär, ist aber genau die Art von Klein-Klein-Integration, die am Ende darüber entscheidet, ob eine KI-Plattform im Forschungsalltag tatsächlich genutzt wird oder als Demo-Spielzeug in der Schublade verstaubt. Enterprise-Partner brauchen keine hübsche Oberfläche, sie brauchen stabile, dokumentierte Endpunkte, die sich in bestehende Systeme einfügen. Genau das verspricht Anthropic mit dieser Freigabe.

Ein oft übersehener Nebeneffekt solcher API-First-Strategien: Sie öffnen die Tür für komplett neue Werkzeugketten jenseits der klassischen Pharma-IT. Wenn etwa vernetzte Gesundheitsassistenten im Smart Home irgendwann molekulare Wirkstoffprofile mit persönlichen Biomarker-Daten abgleichen sollen, braucht es genau diese Art von standardisierten Schnittstellen, wie sie auch im Bereich sensorbasierter Gesundheitstechnologien für das vernetzte Zuhause zunehmend eingefordert werden. Die API wird damit zur Brücke zwischen Hochleistungs-Forschung und patientennaher Anwendung.

Proteinfaltung als Herzstück: BioNeMo, OpenFold3 und Co.

Um zu verstehen, warum Proteinfaltung überhaupt so ein großes Ding ist: Die dreidimensionale Struktur eines Proteins entscheidet darüber, wie es mit anderen Molekülen interagiert – und damit, ob ein Wirkstoffkandidat überhaupt eine Chance hat, an der richtigen Stelle zu docken. Claude Science bindet dafür Biologie-Modelle aus NVIDIAs BioNeMo-Toolkit ein, darunter Evo 2, Boltz-2 und OpenFold3. Diese spezialisierten Modelle übernehmen die eigentliche Faltungsberechnung, während Claude als koordinierende Schicht darüberliegt: Ein Agent verteilt Aufgaben an die passenden Spezialwerkzeuge, ein separater Prüf-Agent kontrolliert im Anschluss Zitate und Berechnungen.

Dieses Mehr-Agenten-Setup ist im Grunde die eigentliche Pointe von Claude Science. Es geht nicht darum, dass ein einzelnes Sprachmodell plötzlich Biochemie „versteht“, sondern darum, dass ein Koordinationssystem verschiedene Fachwerkzeuge orchestriert und die Ergebnisse nachvollziehbar dokumentiert. Anthropic nennt das „auditable artifacts“ – also prüfbare Protokolle, Skripte und Auswertungen, die im Idealfall auch gegenüber Regulierungsbehörden Bestand haben. Für ein Forschungsfeld, in dem jede Abkürzung im Nachhinein erklärbar sein muss, ist diese Nachvollziehbarkeit fast wichtiger als die reine Rechengeschwindigkeit.

Wer die Entwicklung der KI-Agenten-Architektur rund um Claude Opus und die neueren Modellgenerationen verfolgt hat, erkennt hier ein vertrautes Muster: Anthropic setzt konsequent auf Arbeitsteilung zwischen spezialisierten Unter-Agenten statt auf ein monolithisches Allzweck-Modell. Was im Coding-Bereich mit getrennten Agenten für Planung, Ausführung und Review begann, wird jetzt eins zu eins auf die Lebenswissenschaften übertragen – nur dass hier statt Code-Reviews eben Molekülvalidierungen stattfinden.

Wer arbeitet bereits mit Claude Science?

Laut Anthropic setzen bereits größere Pharma-Unternehmen wie Novo Nordisk und Sanofi Claude in ihren Arbeitsabläufen ein – von der Analyse klinischer Studienergebnisse bis zur Optimierung von Laborprotokollen. Das ist ein wichtiger Unterschied zu vielen KI-Ankündigungen, die erstmal nur eine Roadmap sind: Hier gibt es konkrete Nennungen namhafter Konzerne, auch wenn öffentlich verfügbare, quantifizierte Fallstudien mit exakten Zahlen bislang rar sind.

Meine persönliche Einschätzung: Genau diese Lücke zwischen „wird bereits genutzt“ und „hier sind belastbare, unabhängig geprüfte Ergebnisse“ ist der Punkt, an dem viele Pharma-KI-Ankündigungen im Ernst wackeln. Es reicht nicht, dass ein großer Name in einer Presseaussage auftaucht. Erst wenn Fachpublikationen mit konkreten, reproduzierbaren Resultaten nachziehen, wird aus einer PR-Zeile eine belastbare Erfolgsgeschichte. Bis dahin bleibt Claude Science ein sehr vielversprechendes, aber noch jung erprobtes Werkzeug.

Interessant ist auch, dass die Beta von Claude Science aktuell nur für zahlende Nutzer der Pro-, Max-, Team- und Enterprise-Stufen läuft – und zwar zunächst ausschließlich auf macOS und Linux. Wer im Labor noch auf Windows-Rechnern arbeitet, muss sich also gedulden oder Umwege über andere Systeme suchen. Für ein Forschungsfeld, in dem viele Institute historisch stark auf Windows-Laborinstrumente setzen, ist das kein triviales Detail, sondern eine echte Zugangshürde.

Wettbewerb: AlphaFold, RoseTTAFold und die Frage der Differenzierung

Keine Einordnung von Claude Science ist vollständig ohne den Blick auf das Wettbewerbsumfeld. Google DeepMinds AlphaFold hat das Feld der KI-gestützten Proteinfaltung maßgeblich geprägt, und auch RoseTTAFold aus dem Umfeld der University of Washington hat sich in der Strukturbiologie etabliert. Die naheliegende Frage lautet also: Was macht Anthropic anders, und reicht das als Differenzierungsmerkmal?

Der entscheidende Unterschied liegt im Ansatz. AlphaFold und RoseTTAFold sind in erster Linie Vorhersagemodelle – sie berechnen Strukturen, aber sie orchestrieren keine kompletten Forschungs-Workflows. Claude Science positioniert sich explizit als Koordinationsschicht über verschiedenen Spezialmodellen, inklusive eben jener Faltungswerkzeuge. Anthropics Wette ist, dass der Flaschenhals in der Pharma-Forschung nicht mehr das einzelne Modell ist, sondern die Integration zwischen Modellen, Datenbanken und Laborprozessen. Ob diese Wette aufgeht, hängt davon ab, ob Teams die gewonnene Zeit tatsächlich in mehr Wirkstoffkandidaten übersetzen können – oder ob die KI-gestützte Pipeline am Ende einfach mehr, aber nicht unbedingt bessere Kandidaten ausspuckt.

Ein weiterer Faktor: Die Reproduzierbarkeitskrise in den Lebenswissenschaften ist kein Geheimnis. Wenn ein Mehr-Agenten-System jeden Schritt protokolliert und die genutzten Datenquellen explizit benennt, könnte das langfristig mehr wert sein als ein marginal besseres Faltungsergebnis. Regulierungsbehörden wie die FDA oder EMA verlangen zunehmend lückenlose Nachweise – und ein System, das Audit-Trails quasi als Nebenprodukt erzeugt, hat hier einen strukturellen Vorteil.

Zeit- und Kostenersparnis: große Zahlen, vorsichtig gelesen

Die Zahlen, die im Zusammenhang mit Claude Science kursieren, sind beeindruckend – und genau deshalb mit Vorsicht zu genießen. Die Entwicklung eines neuen Medikaments dauert klassischerweise rund zehn bis fünfzehn Jahre, von der ersten Zielstruktur bis zur Marktzulassung. Anthropic-Vertreter wie Zubair Jandali haben die Einschätzung geäußert, dass KI-Plattformen wie Claude Science diese Zulassungstimeline von rund zwölf auf sieben bis acht Jahre verkürzen und die Erfolgsrate der Industrie von etwa acht auf sechzehn Prozent verdoppeln könnten.

Das sind Projektionen, keine Ergebnisse einer Langzeitstudie. Ähnlich verhält es sich mit Berichten aus dem Beratungsumfeld, die von rund vierzig Prozent schnelleren Workflows sprechen, wenn Forschungsteams ihre Prozesse konsequent auf Claude Science umstellen. Solche Werte stammen aus Praxisberichten und Kundeneinschätzungen, nicht aus peer-reviewten Metaanalysen mit großen Stichproben. Wer diese Zahlen zitiert, sollte im gleichen Satz dazusagen: laut Anthropic, laut Beratungspraxis – nicht als feststehende Tatsache. Trotzdem sind selbst konservativ gelesene Schätzungen ein starkes Signal dafür, wohin sich die Branche bewegt.

Anthropic wird selbst zum Wirkstoffforscher

Noch ein Aspekt, der über die reine API-Ankündigung hinausgeht und den Rahmen von Claude Science deutlich erweitert: Anthropic hat angekündigt, eigene Programme in der frühen, präklinischen Wirkstoffforschung zu starten – gezielt für seltene und „vernachlässigte“ Krankheiten, an denen klassische Pharmakonzerne aus wirtschaftlichen Gründen wenig Interesse haben. Die Idee dahinter ist doppelt clever: Anthropic testet die eigenen Werkzeuge in echten Forschungsprozessen und adressiert gleichzeitig ein Feld, das kommerziell unattraktiv, aber medizinisch relevant ist.

Wichtig für die Einordnung: Es geht hier um präklinische Forschung, nicht um die komplette pharmazeutische Zulassungskette. Ob Anthropic selbst bis zur klinischen Entwicklung vorstößt oder primär Partnerschaften mit etablierten Pharma-Playern eingeht, ist öffentlich noch nicht eindeutig geklärt. Wer das als „Anthropic entwickelt jetzt eigene Medikamente“ verkürzt, überzieht die aktuelle Faktenlage. Realistischer ist: Anthropic positioniert sich als Forschungspartner mit eigenem Interesse an frühen Wirkstoffkandidaten, um Claude Science an echten, schwierigen Fällen zu erproben.

Dieser Schritt spiegelt einen breiteren Trend im KI-Sektor wider: Unternehmen, die ursprünglich als reine Plattform- oder Infrastruktur-Anbieter starteten, drängen zunehmend in vertikale Anwendungsgebiete vor. Ob diese Doppelrolle als Werkzeuglieferant und gleichzeitiger Wettbewerber auf der Forschungsebene langfristig tragfähig ist, werden die kommenden Partnerschaften zeigen.

Grenzen der KI-gestützten Wirkstoffforschung

Bei aller Euphorie über beschleunigte Workflows und neue API-Endpunkte lohnt sich ein Blick auf das, was KI-Systeme in der Proteinfaltung und Wirkstoffentwicklung nicht leisten können. Die Vorhersage einer Proteinstruktur ist ein notwendiger, aber kein hinreichender Schritt auf dem Weg zu einem funktionierenden Medikament. Ob ein Molekül im lebenden Organismus wirkt, ob es toxische Nebenwirkungen hat, ob es die Blut-Hirn-Schranke überwindet – all das sind Fragen, die sich am Reißbrett und im Silicon nicht abschließend beantworten lassen.

Dazu kommt das Problem der Trainingsdaten: KI-Modelle sind nur so gut wie die Daten, mit denen sie gefüttert wurden. In der Strukturbiologie bedeutet das, dass bestimmte Proteinklassen – etwa membranständige Rezeptoren oder intrinsisch ungeordnete Proteine – in den öffentlichen Datenbanken deutlich unterrepräsentiert sind. Ein System, das auf bekannten Strukturen trainiert wurde, wird bei diesen Außenseitern systematisch schlechter abschneiden, und genau dort liegen oft die interessantesten Angriffspunkte für neue Wirkstoffe. Wer Claude Science einsetzt, sollte sich dieser blinden Flecken bewusst sein und die KI-Ergebnisse gerade bei ungewöhnlichen Zielstrukturen besonders kritisch prüfen.

Wo Vorsicht angebracht ist: Validierung, Verantwortung, Datenschutz

So spannend die technische Seite ist, so berechtigt sind auch die Fragen, die Forschungsleiterinnen und -leiter dazu stellen. Wenn ein Mehr-Agenten-System Screening-Analysen für Wirkstoffkandidaten eigenständig durchführt, wo endet dann die Automatisierung und wo beginnt die menschliche Verantwortung gegenüber Regulierungsbehörden und Ethik-Gremien? Der eingebaute Prüf-Agent, der Zitate und Berechnungen kontrolliert, ist ein guter Anfang, ersetzt aber keine unabhängige menschliche Prüfung, gerade bei Entscheidungen, die später in einen Zulassungsantrag einfließen.

Auch der Umgang mit sensiblen Forschungsdaten bleibt eine offene Baustelle. Öffentliche Quellen erwähnen Datenschutzaspekte, aber Details zu Hosting-Modellen – Cloud, On-Premise oder private virtuelle Netzwerke – werden meist erst im individuellen Enterprise-Vertrag verhandelt und sind nicht vollständig öffentlich dokumentiert. Für Pharma-Unternehmen, die mit hochsensiblen klinischen Daten arbeiten, ist das ein Punkt, den man vor jeder Integration einzeln klären sollte, statt sich auf allgemeine Marketingaussagen zu verlassen. Wer schon einmal versucht hat, eine Compliance-Abteilung von einer neuen Cloud-Schnittstelle zu überzeugen, weiß: Das dauert länger als jede Proteinfaltung-Simulation.

Praktische Schritte für Forschungsteams

Wer als Forschungsteam oder IT-Verantwortliche jetzt über den Einsatz der Biological Research Workbench nachdenkt, sollte nicht kopfüber ins Enterprise-Paket springen. Sinnvoller ist ein kleiner, klar abgegrenzter Pilotversuch: eine einzelne Proteinfaltung-Fragestellung, die bereits mit klassischen Tools bearbeitet wurde, parallel über die neue API laufen lassen und die Ergebnisse direkt vergleichen. So lässt sich schnell erkennen, ob die versprochene Beschleunigung im eigenen Datensatz tatsächlich eintritt oder ob es bei der generischen Demo bleibt.

Zusätzlich lohnt sich ein Blick auf das parallel laufende Förderprogramm: Anthropic vergibt im Rahmen der Life-Science-Initiative Guthaben für ausgewählte Forschungsprojekte, mit Bewerbungsschluss Mitte Juli und Laufzeit bis Ende des Jahres. Wer ohnehin über eine Testphase nachdenkt, kann so einen Teil der Kosten abfedern, statt das komplette Risiko selbst zu tragen. Und wer skeptisch bleibt: Ein sauber dokumentierter, kleiner Vergleichstest kostet deutlich weniger Nerven als ein voreilig aufgesetztes Produktionssystem, das später wieder zurückgebaut werden muss.

Für IT-Entscheider in Pharma-Unternehmen empfiehlt sich darüber hinaus eine strukturierte Checkliste vor der Integration:

• Datenhoheit klären: Wo werden Anfragen und Ergebnisse verarbeitet? Gibt es eine vertraglich garantierte Zusicherung, dass Forschungsdaten nicht in das Modelltraining einfließen?
• Audit-Fähigkeit prüfen: Erzeugt das System Protokolle, die den internen Qualitätsmanagement-Vorgaben und den Anforderungen der zuständigen Regulierungsbehörde standhalten?
• Fallback-Szenario definieren: Was passiert, wenn die API ausfällt oder ein Modell-Update unerwartete Ergebnisabweichungen produziert? Gibt es einen dokumentierten Rückfall auf klassische Tools?
• Team-Schulung einplanen: Ein Werkzeug, das nur zwei Personen im Team bedienen können, wird zum Flaschenhals. Mindestens drei bis vier Wissenschaftlerinnen und Wissenschaftler sollten die Workbench eigenständig nutzen und ihre Ergebnisse bewerten können.

Ein letzter Gedanke zur finanziellen Einordnung des Gesamtmarktes: Dass Kapital massiv in KI-gestützte Lebenswissenschaften fließt, zeigen nicht nur die Enterprise-Deals von Anthropic. Auch im Startup-Bereich bewegen sich die Summen zunehmend in Regionen, die vor wenigen Jahren noch undenkbar waren – wie etwa die kürzlich abgeschlossene Finanzierungsrunde von Druid AI über 31 Millionen eindrucksvoll belegt. Das Signal an die Branche ist eindeutig: Wer jetzt nicht in KI-Infrastruktur investiert, riskiert, in zwei bis drei Jahren einem Wettbewerbsumfeld hinterherzulaufen, das sich längst auf neuen Grundlagen bewegt.

Was bleibt?

Claude Science und die neue Biological Research Workbench-API sind kein Wundermittel, das über Nacht jede Pharma-Pipeline umkrempelt. Sie sind eher ein sehr gut gebautes, spezialisiertes Werkzeug, das echte Reibungspunkte im Forschungsalltag adressiert: zu viele getrennte Tools, zu viel manuelles Kopieren, zu wenig automatisierte Nachvollziehbarkeit. Die konkrete Frage für Forschungsteams lautet nicht „Revolutioniert das jetzt alles?“, sondern „Löst das mein konkretes Bottleneck schneller, günstiger und nachvollziehbarer als mein aktueller Prozess?“ Wer diese Frage ehrlich mit einem kleinen Pilotprojekt beantwortet, kommt der Wahrheit näher als jede Pressemitteilung. Und vielleicht ist genau das der eigentliche Fortschritt: nicht die große Revolution, sondern ein handfestes, testbares Werkzeug mehr im Labor-Alltag. Was meinen Sie – würden Sie Ihrer Forschungsabteilung schon jetzt Zugriff auf solche API-Endpunkte geben, oder warten Sie lieber auf die ersten unabhängig geprüften Ergebnisse?

Wer tiefer einsteigen möchte, findet die technischen Details direkt in der offiziellen Anthropic-Ankündigung zu Claude Science, während MedCityNews die Pharma-Strategie rund um den Start einordnet. Einen zusätzlichen Blick auf die Life-Science-Plattform selbst liefert die Vorstellung von Claude for Life Sciences.