Les mathématiques offrent une vérification relativement rapide : une preuve est correcte ou contient une faille. En biologie et en chimie, la validation exige souvent de fabriquer une molécule, lancer une expérience et attendre des mesures. C’est pourquoi les résultats publiés par Anthropic en août 2026 méritent une attention particulière.
Le laboratoire décrit deux expériences : une campagne de conception de protéines, testée physiquement, et l’analyse autonome de fichiers issus d’instruments de chimie.
Des protéines conçues contre quinze cibles
Claude a orchestré des modèles spécialisés pour proposer de petites protéines capables de se fixer à des cibles. Il a choisi des zones de liaison, généré des structures et des séquences, lancé des prédictions de repliement et filtré les candidats.
Selon le rapport d’Anthropic, Adaptyv Bio et Twist Bioscience ont fabriqué et testé les propositions. Des binders ont été confirmés pour 14 des 15 cibles dont les résultats sont rapportés. Les taux de réussite individuels se situaient entre 22 % et 35 % selon le protocole, contre 10 à 15 % présentés comme usuels pour ce type de campagne.
Le système n’a cependant pas réussi partout. Aucun des 90 designs visant la protéine MBP n’a montré une liaison confirmée, hormis un signal faible. Cette limite est essentielle : elle évite de transformer un résultat prometteur en promesse universelle.
Un orchestrateur plutôt qu’un modèle biologique unique
Claude n’a pas remplacé tous les logiciels spécialisés. Il a piloté des outils publics de conception de structure, de séquence et de co-repliement, avec accès à des GPU et à la littérature. Son apport se situe dans la planification et l’enchaînement des tâches.
Cette architecture ressemble au travail d’un chercheur computationnel : choisir les outils, interpréter leurs sorties, relancer une optimisation et sélectionner les candidats à envoyer au laboratoire.
Des données brutes au rapport de chimie
Dans la seconde expérience, Claude Opus 5 a reçu des fichiers bruts de RMN et de LC-MS provenant d’un laboratoire prestataire. Ces techniques servent à identifier une molécule et à estimer sa pureté.
Le modèle a produit les résultats en 23 et 19 minutes, en parallèle. Son estimation de pureté était de 96,4 %, contre 96,33 % pour le laboratoire. Il a également proposé une expérience de contrôle avec de l’eau lourde, semblable à celle que le laboratoire avait réalisée indépendamment.
Le cas est intéressant car il combine décodage de formats propriétaires, traitement du signal, interprétation chimique et rédaction d’un rapport. Ce n’est pas seulement une question-réponse textuelle.
Pourquoi il ne faut pas parler de médicament conçu par IA
Obtenir une protéine qui se lie à une cible n’est que le début d’un parcours très long. Il faut encore étudier sa stabilité, sa toxicité, son comportement dans un organisme, sa fabrication et son efficacité clinique. Les minibinders ne sont d’ailleurs pas une modalité thérapeutique standard.
Anthropic souligne aussi le caractère dual de ces capacités : les mêmes outils pourraient faciliter des recherches biologiques dangereuses. L’accès aux modèles les plus capables reste donc limité pour certaines tâches.
Le signal à retenir
L’IA scientifique devient un opérateur de workflow. Elle peut relier littérature, code, modèles spécialisés, calcul et instruments. Sa valeur dépend néanmoins d’un dernier maillon irremplaçable : l’expérience physique et sa reproduction indépendante.
Source principale
FAQ
Claude a-t-il créé un médicament ?
Non. Il a conçu des protéines capables de se lier à des cibles, une étape précoce et expérimentale qui reste très éloignée d’un médicament validé.
Les protéines ont-elles été testées physiquement ?
Oui selon Anthropic : deux partenaires externes ont fabriqué et testé les designs. Des binders ont été confirmés pour 14 des 15 cibles rapportées.