Claude conçoit seul des protéines qui fonctionnent en laboratoire : l'IA d'Anthropic double le taux de réussite du secteur
Guy WASSEU
Auteur
Anthropic a publié, à la mi-août 2026, les résultats d'une expérience qui marque une étape dans l'usage scientifique des grands modèles de langage : son IA Claude a conçu de novo — c'est-à-dire à partir de rien, sans copier une protéine existante — des protéines de liaison (des « binders ») efficaces contre 14 des 15 cibles biologiques testées. Point le plus notable : le modèle a piloté lui-même la campagne de conception, et deux laboratoires extérieurs ont produit et testé les molécules obtenues.
Ce qu'Anthropic a annoncé
Concevoir une protéine capable de se fixer précisément sur une cible — un récepteur, une protéine impliquée dans une maladie — est l'un des problèmes centraux de la biologie moléculaire et de la mise au point de médicaments. Selon Anthropic, Claude a produit 354 binders retenus à partir de 1 320 designs, répartis sur 14 des 15 cibles. Les modèles mobilisés étaient Claude Opus 4.8 et une préversion baptisée « Mythos ».
Les taux de réussite avancés — la proportion de molécules conçues qui se lient réellement à leur cible — vont de 22,6 % pour Opus 4.8 à 26,7 % pour Mythos en mode multi-cible, et jusqu'à 35,1 % en mode mono-cible. Anthropic rappelle qu'un taux de 10 à 15 % est aujourd'hui « typique » dans ce type de campagne. Sur une cible précise, RBX1, le modèle Mythos aurait atteint 40 % de réussite, là où la meilleure soumission humaine d'un concours de référence plafonnait à 3,7 %.
Une campagne menée en grande partie par l'agent lui-même
L'aspect le plus significatif n'est pas seulement le score, mais la méthode. Après un prompt initial, Anthropic dit avoir « laissé le modèle s'exécuter de façon autonome » : Claude a choisi lui-même où se fixer sur chaque cible et a orchestré le pipeline de conception computationnelle, mobilisant jusqu'à 12 500 heures de calcul sur des puces NVIDIA H100 pour le mode multi-cible. C'est l'illustration concrète du passage des IA du simple texte à l'action outillée dans un domaine scientifique de pointe.
Surtout, les protéines n'ont pas été évaluées sur le papier. Deux entreprises indépendantes, Adaptyv Bio et Twist Bioscience, ont fabriqué et testé les designs en laboratoire. Adaptyv, qui a reçu les séquences de façon anonymisée, rapporte un taux de réussite global de 26,8 % et des performances très variables selon la cible — jusqu'à 80 % sur la cible TREM2, mais 0 % sur une autre.
Des chiffres à prendre avec prudence
Ces résultats appellent plusieurs réserves, qu'Anthropic ne masque pas et que la presse spécialisée a relevées. Ils sont pour l'instant auto-déclarés par l'entreprise et n'ont pas fait l'objet d'une revue par les pairs. Les performances sont inégales : sur une protéine (la maltose-binding protein), aucun des 90 designs testés ne s'est fixé ; et sur certaines cibles, la préversion Mythos a réussi là où le modèle a priori plus puissant Opus 4.8 a échoué, sans que la raison en soit établie.
Enfin, un binder validé en laboratoire reste très loin d'un traitement : c'est une première brique, pas un médicament. Entre une molécule qui se lie et un produit thérapeutique sûr et efficace, il y a des années d'essais.
Ce que ça change
Au-delà de l'exploit affiché, l'annonce envoie deux signaux aux professionnels. D'abord, les modèles généralistes ne se contentent plus de rédiger ou de coder : pilotés en agents autonomes, ils commencent à conduire des campagnes de R&D dont les résultats sont mesurés sur la paillasse, et non simulés. Pour la biotech, la pharmacie et la deeptech, cela laisse entrevoir une compression des coûts et des délais aux premières étapes de la découverte — la phase où l'on explore un immense espace de possibles.
Ensuite, l'épisode rappelle la nouvelle règle du jeu : la valeur se déplace vers ceux qui savent orchestrer ces modèles et surtout vérifier leurs productions dans le monde réel. C'est précisément ce qu'apporte ici la validation indépendante d'Adaptyv et de Twist. Pour un entrepreneur ou un dirigeant, la leçon dépasse la biologie : un résultat d'IA, si spectaculaire soit-il, ne vaut que confirmé par une mesure extérieure. La prochaine étape à surveiller sera la reproductibilité de ces travaux par des équipes tierces, et leur publication dans un cadre scientifique classique.
Sources