Claude ne se contente plus d’expliquer la biologie : il aide désormais à concevoir des molécules qui fonctionnent réellement en laboratoire.
Anthropic a publié mardi des résultats expérimentaux révélant que ses modèles d’intelligence artificielle Claude ont conçu de manière autonome des liants protéiques fonctionnels et exécuté en quelques minutes des processus complexes de chimie analytique. Ces résultats témoignent du rôle croissant des modèles de raisonnement général dans les premières étapes de la recherche en biotechnologie.
Dans le cadre d’une campagne visant plusieurs cibles, Claude Opus 4.8 et Mythos Preview ont été chargés de créer de novo des mini-liants protéiques — de petites structures moléculaires conçues pour s’arrimer à des protéines cibles. Sur 15 cibles biologiques, les modèles ont produit 1 320 candidats. Des tests indépendants en laboratoire menés par Adaptyv Bio et Twist Bioscience ont confirmé que 354 d’entre eux s’étaient liés avec succès à leur cible, couvrant 14 des 15 cibles testées.
Selon la configuration opérationnelle, les modèles ont atteint des taux de réussite globaux compris entre 22,6 % et 35,1 %, bien au-dessus des 10 % à 15 % généralement enregistrés lors des campagnes industrielles standard. Face à RBX1, une protéine cible régulatrice, Mythos Preview a atteint un taux de réussite de 40 % en mode mono-cible, devançant les participants humains d’un précédent concours organisé par Adaptyv Bio, qui avaient enregistré un taux de réussite de 3,7 %, selon l’entreprise.
Claude a également généré des liants capables de réagir avec plusieurs espèces contre TNFα, une protéine de signalisation inflammatoire ciblée par des traitements vedettes comme Humira. Opus 4.8 a produit 12 designs valides capables de se lier aux versions humaine, simienne et murine de TNFα.
Lors d’un essai distinct consacré à des tâches de chimie analytique, Anthropic a testé son modèle Claude Opus 5, disponible pour tous, sur des données brutes de résonance magnétique nucléaire (RMN) et de chromatographie en phase liquide couplée à la spectrométrie de masse (LC-MS).
À partir de fichiers d’instruments non formatés provenant d’un laboratoire sous contrat et d’une courte instruction, Claude a interprété les jeux de données en parallèle en 23 et 19 minutes, respectivement. Le système a identifié une pureté du composé de 96,4 %, correspondant au résultat de 96,33 % obtenu par le laboratoire, et a correctement déduit un format de fichier propriétaire non documenté tout en exécutant des contrôles de validation autocorrectifs.
Des modèles spécialisés à l’orchestration agentique
L’importance de ces essais tient à la capacité de Claude à agir comme coordinateur autonome plutôt que comme simple calculateur biologique. Au lieu d’entraîner un moteur de repliement propriétaire, Anthropic a fourni à Claude une instruction de protocole d’environ 16 000 mots, une puissance de calcul pouvant atteindre 12 500 heures de GPU Nvidia H100, ainsi qu’un accès à des outils open source établis comme RFdiffusion, ProteinMPNN et ESMFold2.
Claude a sélectionné des sites de liaison, appelé des outils de génération structurelle dans le cadre de 24 combinaisons de processus distinctes et classé les candidats sans intervention humaine pendant l’exécution. Cela déplace le goulot d’étranglement de la biologie computationnelle de l’orchestration manuelle de scripts vers la gestion agentique des tâches.
Goulots d’étranglement et garde-fous pour les usages à double usage
Malgré ces gains de performance, la génération informatique de liants ne représente que la première phase du développement pharmaceutique. Les molécules candidates doivent encore passer par des années de validation en laboratoire, de perfectionnement structurel, d’évaluation de leur innocuité et d’essais cliniques avant de pouvoir devenir des traitements viables.
Les modèles ont également montré leurs limites : Claude n’est pas parvenu à générer des liants confirmés pour la protéine de liaison au maltose (MBP), une cible réputée particulièrement lisse, et a obtenu de faibles résultats d’affinité contre la protéine synthétique BBF-14.
Le véritable test, toutefois, se déroulera en dehors des campagnes de référence. Claude pourrait réduire des milliers de possibilités à une sélection de candidats prometteurs bien plus rapidement que des chercheurs travaillant manuellement, mais la validation en laboratoire reste la ligne de démarcation entre un résultat d’IA convaincant et une découverte scientifique viable.
À mesure que les modèles prennent en charge une part croissante de ce processus de recherche préliminaire, les laboratoires devront déterminer non seulement le degré d’autonomie à leur accorder, mais aussi les domaines dans lesquels la vérification humaine et les contrôles de biosécurité doivent rester non négociables.
Plus d’actualités : DeepSeek V4-Pro met Claude Opus 5 au défi pour les tâches des développeurs, avec des tarifs d’API nettement inférieurs et une compatibilité plus étendue, tandis que le modèle d’Anthropic conserve un avantage dans l’ingénierie logicielle complexe et les agents d’IA de longue durée.