Claude đột phá trong thiết kế protein và nghiên cứu hóa phân tích

Tóm tắt: Trong bài viết này, chúng tôi chia sẻ hai kết quả cho thấy cách Claude có thể giúp các nhà khoa học sự sống tăng tốc độ nghiên cứu của họ. Trong thí nghiệm đầu tiên, chúng tôi đã kiểm tra khả năng thiết kế các chất gắn protein (protein binders) từ đầu của Claude, một nhiệm vụ then chốt đại diện cho giai đoạn đầu của quy trình thiết kế thuốc, vốn thường tiêu tốn của một chuyên gia hàng tuần hoặc hàng tháng cho mỗi mục tiêu. Claude (phiên bản Mythos Preview và Opus 4.8) đã thiết kế các chất gắn protein cho 15 mục tiêu và thành công với 14 trong số đó. Tỷ lệ các thiết kế riêng lẻ liên kết thành công dao động từ 22% đến 35%, tùy thuộc vào thiết lập, so với mức 10-15% thường thấy trong các chiến dịch thiết kế protein hiện nay. Một số thiết kế mạnh nhất của nó có độ liên kết chặt chẽ hơn gấp nhiều lần so với kết quả tốt nhất từng được công bố trước đây. Trong ví dụ thứ hai, chúng tôi đánh giá liệu Claude có thể đẩy nhanh quá trình phân tích hóa học hay không. Claude Opus 5, một mô hình phổ thông, đã được cung cấp dữ liệu NMR và LC-MS (dữ liệu cho phép các nhà hóa học đánh giá danh tính và độ tinh khiết của các hợp chất mà họ làm việc). Chỉ với các tệp thô từ một phòng thí nghiệm hợp đồng và một câu lệnh (prompt) gồm hai câu, Claude đã trả về kết quả hoàn chỉnh trong vòng 23 và 19 phút, khớp với kết quả phân tích của chính phòng thí nghiệm về số lượng hydro và độ tinh khiết (96,4% so với 96,33%). Những ví dụ này chứng minh cách Claude có thể giảm bớt thời gian và chuyên môn tính toán cần thiết để đạt được tiến bộ trong các nhiệm vụ khoa học phức tạp.

Tốc độ của các khám phá được hỗ trợ bởi AI đã tăng nhanh trong vài tháng qua. Phần lớn các khám phá này nằm trong những lĩnh vực mà việc xác minh diễn ra tương đối nhanh chóng. Ví dụ, trong toán học, các tác nhân (agents) đã bắt đầu giải quyết các bài toán chưa có lời giải: các bài toán Erdős tồn tại hàng thập kỷ đang được giải quyết với tốc độ vài bài mỗi tháng, và gần đây chúng tôi đã chia sẻ cách Claude cải thiện một cận dưới lâu đời của hàm Riemann zeta.

Các mô hình AI cũng đang bắt đầu đẩy nhanh tiến độ trong các lĩnh vực thực nghiệm nơi việc xác minh kết quả phức tạp và tốn kém hơn, chẳng hạn như trong khoa học sự sống. Trong bài viết này, chúng tôi chia sẻ kết quả của hai thí nghiệm về năng lực khoa học của Claude. Đầu tiên, chúng tôi trình bày những phát hiện từ cuộc điều tra về hiệu suất của Claude trong một chiến dịch thiết kế protein, cho thấy Claude có thể thiết kế các chất gắn protein chống lại nhiều mục tiêu khác nhau tốt ngang bằng (hoặc thậm chí tốt hơn) các chuyên gia con người hàng đầu. Thứ hai, chúng tôi chia sẻ cách Claude Opus 5 thực hiện một nhiệm vụ hóa học phân tích, chứng minh cách các mô hình phổ thông có thể hỗ trợ các khía cạnh thường nhật và tốn thời gian của nghiên cứu.

Các nhiệm vụ thiết kế protein và hóa học phân tích được mô tả dưới đây là đại diện cho công việc tạo nên một phần của các giai đoạn đầu trong quy trình phát triển thuốc. Việc đẩy nhanh các giai đoạn này là một thành phần trong nỗ lực lớn hơn nhiều của chúng tôi nhằm tăng tốc toàn bộ quy trình phát triển thuốc, vốn có nhiều khía cạnh liên quan đến các rào cản về chính sách và vận hành hơn là những cải tiến về năng lực khoa học cốt lõi.

Các kết quả mà chúng tôi chia sẻ hôm nay đạt được nhờ sự kết hợp giữa các mô hình Mythos và Opus của chúng tôi. Mặc dù các nhiệm vụ nghiên cứu khoa học sự sống hiện đang bị chặn trong mô hình mạnh nhất của chúng tôi, một trong những ưu tiên hàng đầu của chúng tôi là khởi chạy chương trình tiếp cận dành cho các nhà khoa học và chúng tôi hy vọng sẽ sớm chia sẻ thêm về điều này. Trong thời gian chờ đợi, Opus 5 vẫn là mô hình phổ thông mạnh nhất của chúng tôi.

Claude thiết kế protein

Khi công bố Claude Mythos 5, chúng tôi đã chia sẻ rằng mình đang thử nghiệm mô hình này để đẩy nhanh các phần của quy trình thiết kế thuốc. Là một phần liên tục của công việc này, chúng tôi đã điều tra khả năng của Claude trong việc thiết kế các chất gắn nhỏ (minibinders) cho nhiều mục tiêu protein. Minibinder là một loại protein nhỏ được thiết kế để bám chặt vào một protein mục tiêu. Liên kết là cách mà phần lớn các loại thuốc hiện đại hoạt động: chúng gắn vào một mục tiêu và ức chế, kích hoạt hoặc vận chuyển thứ gì đó đến mục tiêu đó. Việc thiết kế một chất gắn mới (được gọi là thiết kế de novo) trước đây thường tiêu tốn của các kỹ sư protein hàng tháng trời để tính toán, tối ưu hóa và sàng lọc cho mỗi mục tiêu.

Trong những năm gần đây, các mô hình học máy có khả năng thiết kế protein và xếp hạng khả năng liên kết của chúng đã đẩy nhanh đáng kể quy trình thiết kế protein. Tuy nhiên, các mô hình này thường vẫn đòi hỏi hàng ngày (và thường là hàng tuần) để các chuyên gia tính toán điều phối một cách vất vả. Và mặc dù các mô hình suy luận tổng quát như Claude có thể giúp cả chuyên gia và người không chuyên thiết kế protein bằng máy tính hiệu quả hơn, việc xác thực dữ liệu đó trong phòng thí nghiệm ướt (wet lab - nơi các nhà khoa học kiểm tra vật lý các hóa chất, thuốc và các chất sinh học khác) vẫn mất hàng tuần.

Chúng tôi hiện đã nhận được dữ liệu từ phòng thí nghiệm ướt cho thí nghiệm đầu tiên trong số này, một chiến dịch thiết kế protein đa nhánh chống lại 15 mục tiêu sử dụng Claude Opus 4.8 và Mythos Preview. Các đơn vị đánh giá độc lập của chúng tôi, Adaptyv Bio và Twist Bioscience, đã độc lập sản xuất và kiểm tra các thiết kế của Claude trong phòng thí nghiệm, phát hiện ra rằng trong số 15 mục tiêu chúng tôi thiết kế, Claude đã thiết kế thành công chất gắn cho 14 mục tiêu. Trong đó bao gồm các chất gắn có ái lực cao đối với ít nhất sáu mục tiêu và các chất gắn khớp hoặc vượt qua ái lực tốt nhất từng được báo cáo đối với ít nhất bốn mục tiêu. Ái lực là thước đo mức độ liên kết mạnh mẽ của một protein với mục tiêu của nó; các chất gắn có ái lực cao thường cần thiết để đạt được hiệu quả điều trị vì chúng giúp thuốc hiệu quả ở liều lượng thấp hơn, giảm nguy cơ tác dụng phụ và chi phí sản xuất.

Mythos Preview và Opus 4.8 đạt tỷ lệ thành công chung (hit rates) — số lượng thiết kế thực sự là chất gắn — lần lượt là 26,7% và 22,6% khi thiết kế chống lại tất cả các mục tiêu cùng lúc trong phiên làm việc 48 giờ. Mức 10 đến 15% là điển hình trong các chiến dịch thiết kế protein hiện nay.

Sau khi đánh giá khả năng thiết kế chống lại nhiều mục tiêu của Claude, chúng tôi muốn hiểu liệu việc để nó tập trung vào từng mục tiêu một có cải thiện hiệu suất hay không, đặc biệt là vì điều này phản ánh rõ hơn cách tiếp cận thường được một kỹ sư protein thực hiện. Quả thực, chúng tôi nhận thấy Mythos Preview đạt tỷ lệ thành công chung là 35,1% khi thiết kế chống lại từng mục tiêu riêng biệt bằng cách sử dụng nhiều phiên làm việc 24 giờ.

Chiến dịch này được thực hiện với sự can thiệp tối thiểu của con người ngoài thông tin chúng tôi cung cấp cho Claude trong câu lệnh ban đầu. Chúng tôi kỳ vọng rằng trong tay các nhà thiết kế protein chuyên nghiệp, cách tiếp cận này sẽ mang lại kết quả mạnh mẽ hơn nữa, đặc biệt nếu họ cung cấp cho Claude sự hướng dẫn chủ động và phản hồi về các kết quả trung gian.

Chiến dịch

Chúng tôi bắt đầu chiến dịch thiết kế protein của mình bằng cách chọn nhiều mục tiêu thường được sử dụng trong các tiêu chuẩn thiết kế protein, bao gồm tất cả BenchBB của Adaptyv Bio. Vì các mục tiêu này đã được nghiên cứu rộng rãi, chúng tôi có thể so sánh kết quả của mình với các tỷ lệ thành công và ái lực đã được công bố. Chúng tôi cũng chọn hai mục tiêu mới là 15-PGDH và GDF-8 từ các cuộc thi gần đây nhất của Adaptyv Bio để đảm bảo Claude có thể thiết kế chống lại các mục tiêu mà không dựa vào những thành công đã được ghi lại trong dữ liệu huấn luyện hoặc từ tìm kiếm trực tuyến (đối với tất cả các mục tiêu, chúng tôi yêu cầu Claude kiểm tra và đảm bảo rằng các thiết kế của nó là nguyên bản).

Sau đó, chúng tôi yêu cầu Claude thiết kế các chất gắn protein chống lại các mục tiêu này trong Claude Science. Đối với việc này, chúng tôi đã thực hiện hai cách tiếp cận. Cách thứ nhất là chế độ đa mục tiêu, nơi Claude thiết kế chống lại tất cả các mục tiêu cùng lúc trong một phiên Claude Science duy nhất. Cách thứ hai là chế độ đơn mục tiêu, trong đó mỗi phiên giải quyết một mục tiêu và các phiên cho tất cả các mục tiêu chạy song song.

Chúng tôi đã chạy Opus 4.8 và Mythos Preview ở chế độ đa mục tiêu với 48 giờ thời gian thực và lên đến 12.500 giờ tính toán trên NVIDIA H100 để chạy các mô hình thiết kế và gấp cuộn protein chuyên dụng. Chúng tôi cũng chạy Mythos Preview ở chế độ đơn mục tiêu với 24 giờ thời gian thực và lên đến 2.500 giờ tính toán trên NVIDIA H100 cho mỗi mục tiêu.

Để mô phỏng các nguồn lực sẵn có trong một chiến dịch thiết kế protein điển hình, chúng tôi đã cung cấp cho Claude những điều sau:

Sau khi đưa ra câu lệnh cho Claude, chúng tôi để mô hình tự thực hiện. Chúng tôi không cung cấp thêm bất kỳ hướng dẫn khoa học, kỹ thuật hoặc vận hành nào sau khi bắt đầu các chiến dịch.

Sự tham gia duy nhất của chúng tôi là phê duyệt quyền truy cập (chẳng hạn như yêu cầu truy cập mạng) và giám sát cơ sở hạ tầng để đảm bảo các phiên làm việc đang chạy. Claude thực hiện tất cả công việc thiết kế một chất gắn, vốn có thể mất hàng tuần đối với một người vận hành. Nó chọn vị trí trên mỗi protein mục tiêu để thiết kế; tạo ra các cấu trúc và trình tự ứng viên bằng cách điều phối một số mô hình thiết kế cấu trúc, thiết kế trình tự và đồng gấp cuộn (các mô hình dự đoán cấu trúc của một protein cùng với bất cứ thứ gì nó liên kết trong một lần chạy); chạy các thiết kế qua nhiều chu kỳ tối ưu hóa in silico; và sàng lọc bằng máy tính để tìm ra các ứng viên mới, đa dạng có khả năng biểu hiện, giữ được độ hòa tan và liên kết.

Đối với mỗi mục tiêu trong số 15 mục tiêu, chúng tôi yêu cầu Claude thiết kế 30 chất gắn protein. Claude thực hiện điều này bằng cách vận hành các mô hình thiết kế và đồng gấp cuộn protein chuyên dụng có sẵn công khai mà lĩnh vực này đang sử dụng. Các thiết kế của Claude sau đó được gửi đến Adaptyv Bio và Twist Bioscience để xác thực.

Hiệu suất của Claude trên các mục tiêu

Đến cuối nỗ lực này, chúng tôi đã tạo ra 354 chất gắn chống lại 14 trong số 15 mục tiêu bằng cách sử dụng tổng cộng 1.320 thiết kế. Đây là một đóng góp đáng kể vào tổng kho dữ liệu các thiết kế protein de novo có sẵn công khai; ví dụ, hai bộ sưu tập lớn nhất là proteinbase.com và bộ sưu tập do Overath và cộng sự quản lý, bao gồm khoảng 770 chất gắn từ 5.700 thiết kế chống lại 40 mục tiêu. Dưới đây, chúng tôi chia sẻ ba ví dụ làm nổi bật năng lực của Claude và một ví dụ cho thấy những hạn chế của nó. Bạn có thể tìm thêm chi tiết trong báo cáo kỹ thuật của chúng tôi.

Các thiết kế của Claude cạnh tranh với các bài dự thi trong cuộc thi thiết kế protein của Adaptyv Bio

Chúng tôi nhận thấy rằng đối với các mục tiêu mà Adaptyv Bio đã tổ chức thi, Claude thực hiện ở mức hoặc vượt qua mức của những người tham gia hàng đầu về cả tỷ lệ thành công và ái lực. Đối với RBX1 (một loại protein nhỏ thúc đẩy sự phá hủy có mục tiêu của các protein điều hòa cụ thể), Mythos Preview ở chế độ đơn mục tiêu đạt tỷ lệ thành công 40%, so với tỷ lệ 3,7% của những người tham gia. Thiết kế xếp hạng cao nhất của nó là một chất gắn có ái lực cao, vượt qua thiết kế chiến thắng trong số 245 thiết kế được gửi vào.

Claude thiết kế các chất gắn phản ứng chéo giữa các loài chống lại TNFα, một mục tiêu đầy thách thức và có ý nghĩa điều trị

Thú vị là, Opus 4.8, chứ không phải Mythos Preview, đã thành công trên TNFα, một mục tiêu mà nhiều nhóm chuyên gia đã gặp khó khăn. TNFα là một protein tín hiệu do hệ thống miễn dịch giải phóng để kích hoạt phản ứng viêm, và việc chặn nó là cơ sở điều trị cho một số loại thuốc có tác động mạnh nhất từng được tạo ra, bao gồm Humira. Đây là một mục tiêu khó thiết kế do cấu trúc đa phân tử của nó, đòi hỏi phải nhắm mục tiêu vào một vị trí liên kết trong rãnh được hình thành bởi hai protein. Mặc dù Mythos Preview không thành công, Opus 4.8 đã thiết kế được nhiều chất gắn, bao gồm một số chất hoạt động trên các loài khác nhau, liên kết với TNFα của người, khỉ cynomolgus và chuột, điều này rất quan trọng để thực hiện các nghiên cứu trên động vật. Chúng tôi không chắc tại sao Opus 4.8 thành công trên mục tiêu này còn Mythos Preview thì không. Khi đánh giá năng lực của các mô hình, chúng tôi thực hiện một cách toàn diện. Với sự phức tạp vốn có của thiết kế protein, không có gì ngạc nhiên khi có những lĩnh vực cụ thể mà một mô hình nhìn chung ít năng lực hơn vẫn có thể vượt qua một mô hình mạnh hơn.

Claude thiết kế các chất gắn có cấu trúc đa dạng với các phiến β (β-sheets)

Hầu hết các chất gắn được thiết kế bằng máy tính là các bó xoắn α (α-helices), một cấu trúc bậc hai của protein bao gồm các vòng xoắn. Các phiến β, trong đó các chuỗi axit amin mở rộng phải xếp hàng cạnh nhau, khó thiết kế hơn và dễ bị gấp cuộn sai và kết tụ (khi các phân tử protein dính vào nhau thay vì tách biệt và gấp cuộn đúng cách). Claude đã thiết kế 15 chất gắn được xác nhận trên sáu mục tiêu có chứa ít nhất 20% chuỗi β, chứng minh khả năng suy luận về cấu trúc protein của nó.

Claude gặp khó khăn với một số mục tiêu

Một số mục tiêu vẫn là thách thức đối với Claude, bao gồm BBF-14 và protein liên kết maltose (MBP). BBF-14 là một protein có hình dạng thùng β không tồn tại trong tự nhiên: bản thân nó đã được thiết kế de novo và hiện được sử dụng làm tiêu chuẩn cho thiết kế chất gắn chính vì tính mới lạ của nó. Cấu trúc của MBP cũng đặc biệt khó khăn. MBP là một protein vi khuẩn lớn, linh hoạt với bề mặt trơn, ưa nước khiến nó trở thành một thuốc thử phòng thí nghiệm tốt. Điều này khiến chất gắn có rất ít điểm để bám vào. Claude vẫn xoay xở tạo ra được ba chất gắn BBF-14 độc lập—mỗi chất từ một nhánh thiết kế khác nhau, và mỗi chất được xây dựng trên một khung xương khác nhau—với ái lực khiêm tốn (từ dưới micromolar đến micromolar). Tuy nhiên, đối với MBP, không có thiết kế nào trong số 90 thiết kế được xác nhận là đã liên kết với mục tiêu, mặc dù một thiết kế cho thấy tín hiệu liên kết yếu, có thể tái lập.

Để hiểu rõ hơn về hiệu suất của Claude trong các chiến dịch thiết kế này, chúng tôi dự định tiếp nối các thí nghiệm của mình bằng các đặc tính hóa mở rộng hơn để xác nhận tỷ lệ thành công và các phép đo ái lực. Trong thời gian chờ đợi, chúng tôi đang chia sẻ các câu lệnh mà chúng tôi đã sử dụng cho các chiến dịch này, cũng như tất cả dữ liệu in vitro và in silico mà chúng tôi đã tạo ra.

Khám phá sinh học bằng tác nhân (Agentic biological discovery) là công nghệ lưỡng dụng

Sự thúc đẩy từ các năng lực nghiên cứu ngày càng tự chủ của các mô hình AI chắc chắn sẽ đẩy nhanh quá trình phát triển các liệu pháp điều trị cho con người và các khám phá khoa học cơ bản. Tuy nhiên, những năng lực như vậy cũng là công nghệ lưỡng dụng: nếu không có các biện pháp an toàn mạnh mẽ, chúng có thể cho phép những kẻ xấu thực hiện các nghiên cứu nguy hiểm, chẳng hạn như phát triển vũ khí sinh học. Trong khi chúng tôi nỗ lực cung cấp các năng lực này một cách an toàn thông qua các chương trình tiếp cận đáng tin cậy, thiết kế protein và các năng lực nghiên cứu sinh học lưỡng dụng khác vẫn chưa được cung cấp cho truy cập phổ thông trong Claude Fable 5. Tuy nhiên, như bạn sẽ thấy dưới đây, các mô hình lớp Opus của chúng tôi có khả năng thực hiện các công việc khoa học đáng kinh ngạc.

Claude vận hành quy trình hóa học phân tích

Trong khi chiến dịch chất gắn protein kiểm tra khả năng thiết kế các phân tử mới của Claude, thí nghiệm thứ hai kiểm tra khả năng diễn giải các phép đo của các phân tử đã được tạo ra. Đặc tính hóa một hợp chất là công việc rườm rà; giống như thiết kế protein, nó đòi hỏi các nhà hóa học phải thực hiện nhiều vòng đo lường, phân tích và lặp lại. Ví dụ, mỗi khi một nhà hóa học tạo ra một phân tử, họ phải xác định xem đó có phải là thứ họ dự định sản xuất hay không và độ tinh khiết của nó là bao nhiêu. Điều này thường được thực hiện bằng quang phổ cộng hưởng từ hạt nhân (NMR). Phổ NMR là một loạt các đỉnh, mỗi đỉnh tương ứng với một nguyên tử hydro, hoặc một nhóm các hydro tương đương, ở đâu đó trong phân tử. Vị trí của các đỉnh cho các nhà hóa học biết mỗi nguyên tử hydro được gắn vào đâu, và kích thước của đỉnh cho biết nó đại diện cho bao nhiêu hydro. Xác nhận cấu trúc là một trong những bước tốn thời gian nhất trong hóa học tổng hợp; đối với mỗi hợp chất, một nhà hóa học phải khớp từng đỉnh trong phổ với một nguyên tử trong cấu trúc đề xuất bằng tay.

Kỹ thuật khác, được sử dụng chủ yếu để đánh giá độ tinh khiết, là sắc ký lỏng–khối phổ (LC-MS), kỹ thuật này trước tiên tách mẫu thành các thành phần riêng lẻ khi chúng chảy qua một cột, sau đó ghi lại lượng của từng thành phần dựa trên độ hấp thụ tia cực tím, trước khi đo khối lượng phân tử của từng thành phần. Đối với cả hai kỹ thuật, bản thân quá trình chạy thiết bị chỉ mất vài phút (hai đến ba phút cho một phổ proton NMR thông thường; khoảng 10 phút cho một lần chạy LC-MS). Phần tẻ nhạt là phân tích đầu ra. Sau khi chạy NMR và LC-MS, mỗi thiết bị tạo ra một tệp thô ở định dạng riêng của nhà sản xuất, vốn chỉ có thể mở bằng phần mềm của nhà sản xuất đó (hoặc phần mềm chuyên dụng khác).

Với sự tỉ mỉ khi xử lý và diễn giải các tệp này, chúng tôi muốn xem một mô hình phổ thông như Claude Opus 5 sẽ thực hiện nhiệm vụ này như thế nào. Chỉ được cung cấp các tệp thô của một phòng thí nghiệm hợp đồng cho một mẫu kiểm soát chất lượng thông thường và một câu lệnh ngôn ngữ tự nhiên ngắn, không có phần mềm nhà cung cấp và không có người vận hành, Claude, làm việc trong Claude Science, đã trả về kết quả NMR và LC-MS đã xử lý lần lượt trong 23 và 19 phút, chạy song song. Kết quả của nó khớp với quá trình xử lý của chính phòng thí nghiệm—số lượng hydro trên mỗi đỉnh nằm trong khoảng 0,08 ¹H so với phòng thí nghiệm, và độ tinh khiết của nó được đo ở mức 96,4% so với 96,33% của phòng thí nghiệm.

Đối với dữ liệu NMR, Claude đã chuyển đổi dữ liệu thô từ thiết bị thành một phổ đã hiệu chuẩn và một bảng gồm 18 đỉnh, với số lượng hydro cho mỗi đỉnh. Tiếp theo, như một nhà hóa học, nó đã gắn cờ bốn đỉnh rộng là các hydro có khả năng gắn với nitơ hoặc oxy. Sau đó, nó đề xuất kiểm tra tiêu chuẩn: thêm nước nặng vào mẫu NMR, điều này sẽ hoán đổi các hydro đó để các đỉnh của chúng thu nhỏ hoặc biến mất. (Độc lập, phòng thí nghiệm đã thực hiện kiểm tra tương tự này ba ngày sau lần đo đầu tiên). Với tệp thô từ lần chạy nước nặng, Claude đã định lượng những gì đã thay đổi trong dữ liệu, phát hiện và sửa chữa một tuyên bố quá mức trong lần đọc đầu tiên của nó (lần chạy đầu tiên báo cáo rằng cả bốn đỉnh được gắn cờ đã biến mất, nhưng tự kiểm tra cho thấy chỉ có hai đỉnh biến mất), và đi đến kết luận giống như người vận hành của phòng thí nghiệm.

Các tệp thiết bị LC-MS sử dụng định dạng nhà cung cấp không có tài liệu. Claude đã tìm ra cách dữ liệu được mã hóa, sau đó xác nhận rằng nó đã đọc tệp chính xác bằng cách tái tạo lại tổng số lần quét đã ghi của thiết bị cho tất cả 2.664 lần quét trước khi phân tích bất cứ điều gì. Sau đó, nó cung cấp tất cả các đầu ra mà một nhà hóa học mong đợi: dấu vết tách, phổ khối và phổ UV, bảng độ tinh khiết, khối lượng phân tử của hợp chất, cũng như mã có thể tái sử dụng để đọc các tệp như vậy, cùng với danh sách các lưu ý của riêng nó về độ tin cậy của kết quả (ví dụ, nó lưu ý rằng loại thiết bị này chỉ cung cấp khối lượng đến đơn vị nguyên gần nhất).