Claude sort de la fenêtre de discussion pour s’aventurer dans la découverte de médicaments, en aidant les chercheurs à étudier un éventuel traitement contre les allergies alimentaires.
En environ un mois, l’IA a généré quelque 35 000 concepts d’anticorps, et les premiers tests en laboratoire ont identifié plusieurs candidats prometteurs.
Anthropic a rendu publics ces résultats le 27 octobre, dans le cadre de ses travaux avec Divergence Labs, l’un des six partenaires de développement de médicaments qui testent Claude dans de véritables programmes de recherche. D’autres projets ont fait état de progrès dans l’ingénierie des cellules cancéreuses, les tests d’anticorps et la gestion documentaire pharmaceutique.
Pour les laboratoires pharmaceutiques, la question est de savoir si l’accélération des tâches de recherche peut raccourcir le parcours coûteux qui va d’une conception prometteuse à un médicament utile.
Le projet de Claude sur les allergies cible les anticorps fixés aux cellules immunitaires
L’immunoglobuline E (IgE) contribue à déclencher les réactions allergiques. Une partie circule dans le sang, tandis qu’une autre se fixe aux cellules immunitaires. Divergence veut éliminer l’IgE fixée plutôt que de se contenter de neutraliser celle qui circule.
Un traitement devrait comporter deux éléments : l’un pour se lier à l’IgE et l’autre pour la retirer des cellules immunitaires. Anthropic a indiqué que les premiers tests avaient identifié trois concepts qui se liaient à l’IgE et 20 qui la détachaient. Trois de ces 20 concepts semblaient éliminer davantage d’IgE qu’un médicament standard.
Comme les précédents liants protéiques conçus par Claude, il s’agit de candidats testés à un stade précoce en laboratoire, et non de médicaments achevés. Divergence doit encore combiner les deux fonctions et vérifier qu’elles agissent ensemble.
Ce qu’a constaté eWEEK : Claude se montre prometteur au-delà de la recherche sur les allergies
Les contributions rapportées de Claude ne se sont pas limitées à la génération de candidats. Un partenaire l’a utilisé pour modifier des cellules immunitaires capables de combattre le cancer, un autre pour améliorer des fragments d’anticorps expérimentaux, et un troisième pour examiner des dossiers de fabrication. Anthropic a détaillé ces résultats dans son rapport du 27 octobre :
Partenaire | Résultat rapporté | Ce que cela montre |
| Generate Biomedicines | Instructions génétiques raccourcies de 70 % ; les cellules immunitaires ont produit environ 10 fois plus de récepteurs reconnaissant le cancer | Résultats prometteurs en laboratoire, pas de résultats chez les patients |
| BigHat Biosciences | Environ 1 010 variants testés ; les meilleurs se liaient aux cibles avec une affinité plus de 10 fois supérieure | Molécules expérimentales améliorées |
| Enveda | 1 061 pages examinées ; 11 problèmes connus détectés, sept autres signalés ; le temps d’examen a diminué de 89 % | Une économie de temps mesurable dans la gestion documentaire |
Les indicateurs sont différents. Selon Interesting Engineering, Generate et BigHat ont fait état d’améliorations lors de tests en laboratoire ; Enveda a mesuré le temps économisé lors de l’examen de documents. Aucun de ces résultats ne démontre qu’un nouveau traitement fonctionne chez les patients.
L’expérience sur les allergies laisse une question essentielle sans réponse. Anthropic n’a pas révélé combien des 35 000 concepts générés par ordinateur avaient été testés physiquement, si bien qu’aucun taux de réussite ne peut être calculé. L’entreprise n’a pas non plus indiqué le nom du médicament utilisé pour la comparaison.
Enveda a fait état de l’économie de temps mesurable la plus claire. La plupart des autres projets restent précliniques, et leurs gains en laboratoire n’ont pas établi l’existence de meilleurs traitements ni d’une réduction des coûts globaux de développement.
Ces résultats montrent pourquoi l’impact de l’IA sur le développement de médicaments ne peut pas être mesuré à l’aide d’un seul indicateur. Generate Biomedicines et BigHat ont signalé des améliorations en laboratoire qui doivent encore être validées, tandis qu’Enveda a démontré une économie de temps mesurable lors de l’examen de documents. Aucun de ces résultats n’établit une baisse des coûts globaux de développement des médicaments.
Les projets nécessitent également des niveaux de validation différents. Les anticorps générés par l’IA doivent être soumis à des tests en laboratoire pour confirmer leur efficacité, tandis que les outils d’examen de documents peuvent être vérifiés à partir de dossiers existants afin de détecter les erreurs et omissions. Les deux approches exigent une supervision experte, mais leurs voies vers une valeur concrète diffèrent.
Les laboratoires pharmaceutiques doivent mesurer les progrès au-delà de l’étape de conception
Les résultats obtenus par Claude donnent aux entreprises de biotechnologie une raison d’explorer la découverte de médicaments assistée par l’IA, mais générer des milliers de concepts ne constitue qu’une étape du développement d’un médicament. Les chercheurs doivent encore fabriquer les molécules prometteuses, tester leurs propriétés et déterminer si les résultats peuvent être reproduits.
Divergence Labs illustre cette difficulté. Bien que Claude ait identifié des concepts prometteurs capables de se lier à l’IgE et de l’éliminer, l’entreprise n’a pas encore combiné ces deux fonctions dans un même traitement. Pour les laboratoires pharmaceutiques, les prochaines expériences permettront de déterminer si cette approche offre un avantage concret par rapport aux méthodes existantes.
Avant d’investir davantage dans la recherche assistée par l’IA, les équipes de biotechnologie devraient évaluer trois domaines :
- Taux de réussite expérimental : Suivez le nombre de concepts générés par l’IA qui font l’objet de tests en laboratoire, le nombre de ceux qui produisent les effets recherchés et la possibilité de reproduire ces résultats. La comparaison de ces chiffres avec ceux des méthodes de recherche conventionnelles peut aider à déterminer si l’IA augmente les chances de trouver des candidats utiles.
- Coûts totaux de recherche : Une conception plus rapide ne signifie pas nécessairement un développement de médicaments moins coûteux. Les entreprises devraient tenir compte des dépenses de calcul, du matériel de laboratoire, des expériences infructueuses, de l’évaluation par des spécialistes et des tests supplémentaires. Le coût par candidat validé constitue une mesure plus pertinente de la valeur financière de l’IA.
- Maturité clinique : Une liaison plus forte des anticorps ou une production accrue de récepteurs ciblant le cancer peuvent justifier la poursuite des recherches, mais aucune de ces avancées ne garantit un traitement efficace. Les chercheurs doivent encore évaluer la sécurité et l’efficacité, ainsi que la possibilité que des résultats prometteurs en laboratoire se traduisent par des bénéfices pour les patients.
Les progrès réalisés dans d’autres domaines de la médecine assistée par l’IA fournissent un contexte utile. Des recherches antérieures sur des vaccins conçus par l’IA et un candidat médicament mis au point avec l’aide de l’IA ont atteint le stade des essais chez l’humain, tandis que le projet de Divergence sur les allergies en est encore à un stade antérieur.
Pour les dirigeants du secteur pharmaceutique qui doivent décider s’ils vont étendre les programmes de recherche en IA, la priorité devrait être accordée aux améliorations mesurables de l’efficacité de la recherche, notamment au temps et à l’argent nécessaires pour produire des candidats qui passent les tests en laboratoire.
Un projet pilote réussi devrait démontrer une valeur qui dépasse le simple nombre de concepts générés.
Pour les patients souffrant d’allergies alimentaires, la prochaine étape vraiment significative sera un traitement qui fonctionne de manière sûre et efficace chez l’humain. Claude aidera peut-être les chercheurs à explorer davantage de possibilités, mais le véritable test consistera à déterminer si ces possibilités débouchent un jour sur de meilleurs médicaments.
Vous souhaitez développer vos compétences en IA ? Suivez notre formation gratuite de six minutes Comment parler à l’IA pour découvrir quelques méthodes simples afin de rédiger de meilleurs prompts et d’obtenir des résultats plus utiles de l’IA. Les lecteurs d’eWeek bénéficient également de sept jours d’accès gratuit aux autres formations en IA de The Neuron Academy. Découvrez toutes les leçons ici →