Claude 生命科學與人資應用 — 3 個專業場景
三個場景，兩個極端。
Life Sciences 的兩個場景代表了 Claude 85 個使用場景中技術難度最高的一端：分析臨床前研究數據、解讀基因組表達模式。HR 的一個場景代表了最貼近人的一端：幫助新進員工在第一天就感到被重視和準備好。
這三個場景放在一起，展示了 Claude 能力邊界的寬度。
這篇文章是 Claude 官方 85 個使用場景完全解析 的第八篇分文。
Life Sciences：2 個場景
生命科學分類的兩個場景都需要 Claude Opus 4.6 等級的推理能力——不是因為數據量大，而是因為需要同時保持多個複雜技術領域的 context，並在它們之間找到有意義的連結。
場景 1：Preclinical study analysis
Anthropic 描述：連接研究平台並跨實驗彙整數據，建立研究報告。
臨床前研究（Preclinical studies）是藥物開發進入人體試驗之前的動物或細胞試驗階段。這個階段的挑戰是：數據散落在多個實驗、多個時間點、多個研究平台，而要向監管機構或投資人報告進展，需要把這些散落的數據整合成一份說得通的故事。
| 挑戰 | Claude 的角色 |
|---|---|
| 多實驗數據彙整 | 連接研究平台，跨實驗統一格式 |
| 結果解讀 | 識別統計顯著的模式 |
| 報告撰寫 | 把技術數據轉換成可讀的研究報告 |
| 假設生成 | 根據現有數據提出後續實驗方向 |
這個場景需要 Cowork 功能——Claude 直接連接你的研究數據平台（如 Benchling、LabArchives、ELN 系統），讀取實驗數據後進行分析。這不只是貼上數據讓 Claude 看，而是 Claude 主動存取數據來源。
SuperPortia 觀點：這個場景的核心設計模式——「連接多個數據來源、跨來源彙整、生成可交付的報告」——和 SuperPortia 的 Cowork 類型工作流完全相同。SuperPortia 的市場研究流程（從瀏覽器擷取競品數據、整合到報告）和這個場景在架構上是一樣的，只是領域從藥物研發換成了市場分析。
場景 2：Genomic data analysis
Anthropic 描述：以 Claude 作為研究夥伴，分析基因表達數據，識別模式，對生物機制形成可測試的假設——同時讓 Claude 處理生物信息學和文獻綜述的計算工作。
這個場景是 85 個場景中技術深度最高的一個。基因組數據分析需要：
- 生物信息學：RNA-seq 數據處理、差異表達分析、通路富集分析
- 統計學：多重比較校正、顯著性閾值設定
- 文獻連結：把你的數據發現連結到已發表的基因功能和疾病機制
- 假設生成：根據數據模式提出可在實驗室驗證的生物學假設
注意 Anthropic 描述中的「Claude as your research partner」和「Claude handles the computational heavy lifting」——這是一個明確的分工：研究人員負責提出研究問題和判斷生物學合理性，Claude 負責計算密集的數據處理和文獻搜尋。這是 HOTL 模式在科學研究中的具體應用。
SuperPortia 觀點：這個場景示範了一個 SuperPortia 一直在強調的原則：AI 最有效的角色是「處理計算密集的部分，讓人類專注在判斷密集的部分」。
SuperPortia 的 HOTL 設計哲學是相同的——不是讓 AI 替代人類的判斷，而是讓 AI 接手人類花時間做但不需要人類判斷力的部分（數據格式化、文獻搜尋、統計計算），讓人類的時間集中在真正需要人類判斷的地方（假設是否合理、實驗設計是否合邏輯）。
HR：1 個場景
場景 3：Create new hire onboarding guides
Anthropic 描述：把標準的公司資訊和新進人員的具體細節，轉換成個性化的歡迎指南。Claude 把物流、日程安排和重要聯絡人整理成一份清晰的文件，幫助新員工從第一天就感到準備好了。
這個場景看起來簡單，但它示範了一個深刻的設計原則：同樣的資訊，個性化格式的效果遠大於通用格式。
| 通用入職文件 | 個性化入職指南 |
|---|---|
| 「IT 設備請聯絡 IT 部門」 | 「你的 MacBook Pro 由 小明（[email protected]）負責，他週三 10:00 會到你的位置幫你設定」 |
| 「第一週你將參加三場 orientation」 | 「你的第一週行程：週一 10:00 與 Sarah（你的 buddy）咖啡聊天、週二 14:00 產品團隊 all-hands、週三上午 IT 設備設定…」 |
| 「公司福利說明請見附件」 | 「你選擇了牙科保險方案 B，你的第一個保單號碼是 XXX，第一次牙科看診需要…」 |
這不只是寫作風格的差異，而是「資訊是否真的對這個人有用」的差異。
- 標準公司知識（上傳到 Claude Projects）：公司政策、常見問題、重要流程
- 新進人員資訊（每次填入）：姓名、職位、直屬主管、開始日期、設備選擇、分配的 buddy
Projects 負責記住公司知識，你只需要提供個人資訊，Claude 自動組合成個性化文件。
SuperPortia 觀點：這個場景是 SuperPortia Session Handoff 機制的 HR 版本。SuperPortia 的 session handoff 本質上是「幫下一個 agent session 個性化地準備工作背景」——哪些任務未完成、哪些決策已確定、下一步應該做什麼。新人入職指南是同樣的邏輯：「幫這個人個性化地準備他的第一天工作背景」。
三個場景的共同洞察
| 場景 | 核心能力 | 人類不可替代的部分 |
|---|---|---|
| Preclinical study analysis | 跨平台數據彙整 + 報告生成 | 實驗設計 + 結果判斷 |
| Genomic data analysis | 計算密集的生物信息學 + 文獻連結 | 假設的生物學合理性判斷 |
| New hire onboarding | 個性化格式組合 + 資訊整理 | 公司文化傳達 + 關係建立 |
這三個場景有個微妙但重要的共同點：它們都在「處理資訊」（生成報告、分析數據、整理文件），但真正的價值在它們讓人類從資訊處理中解放出來後能做的事——更好的實驗決策、更深入的科學假設、更多時間建立人際關係。
Life Sciences 的兩個場景需要技術背景才能正確使用——你需要能夠判斷 Claude 的生物學解讀是否合理。如果你是這個領域的專業人員，這兩個場景的槓桿效果很高。如果不是，應該從其他分類的場景開始。
生命科學 + HR：為什麼這兩個分類放在一起？
從技術難度看，Life Sciences 和 HR 是 85 個場景中距離最遠的兩個分類。但它們有一個共同特點：都需要把複雜的、個人化的資訊，轉換成清晰的、可操作的文件。
生命科學研究人員需要把跨實驗、跨數據庫的複雜數據，轉換成可以向監管機構和投資人解釋的研究報告。HR 人員需要把公司政策、流程、聯絡人等通用資訊，轉換成對特定新員工真正有用的個性化指南。
兩者都在解決相同的問題：資訊的存在形式（散落的數據、通用的政策）和它真正有用的形式（清晰的報告、個性化的指南）之間有一道鴻溝。Claude 在兩個極端都找到了相同的切入點：幫你跨越這道鴻溝。
本文是 Claude 官方 85 個使用場景完全解析 系列第八篇，也是本系列的最終篇。資料來源：Anthropic claude.com/resources/use-cases。SuperPortia Intelligence Brief — 小西 整理，2026-03-21。
...-cases-finance|Claude 金融分析應用 — 5 個財務與投資場景]] - [[Claude 法律・銷售・行銷應用 — 11 個專業場景]] - [[Claude 生命科學與人資應用 — 3 個專業場景]] 85 個場景的 8 大分類...