Un modèle de langage reçoit une mission inhabituelle : imaginer de petites protéines capables de s’accrocher à des cibles biologiques précises. Il lit la littérature, choisit des outils spécialisés, loue du calcul sur GPU, examine les structures candidates, modifie sa stratégie et prépare les séquences à fabriquer. Quelques semaines plus tard, deux laboratoires indépendants testent physiquement ses propositions.
Le résultat annoncé le 18 août 2026 par Anthropic mérite l’attention. Sur 1 320 protéines conçues, 354 ont présenté une liaison mesurable, répartie sur 14 des 15 cibles rapportées. Dans la campagne principale, Claude Mythos Preview a atteint un taux global de réussite de 26,7 %, et Claude Opus 4.8 de 22,6 %. Une seconde série, menée cible par cible avec Mythos Preview, est montée à 35,1 %.
Ces chiffres ne signifient ni que Claude a inventé 354 médicaments, ni qu’un modèle généraliste remplace désormais un laboratoire. Ils montrent quelque chose de plus précis : un agent fondé sur un grand modèle de langage peut piloter une chaîne complexe de conception computationnelle, puis produire des candidats dont une part significative résiste à l’épreuve du réel. C’est un passage important de la conversation scientifique à l’expérimentation — avec un coût informatique élevé et plusieurs comparaisons encore imparfaites.
1 320 designs, puis l’épreuve du laboratoire
L’expérience porte sur des protein binders, ou protéines de liaison. Ce sont de petites protéines conçues pour reconnaître une zone particulière à la surface d’une autre protéine. Leur forme et la distribution de leurs charges doivent être suffisamment complémentaires pour qu’elles s’associent, un peu comme deux pièces en trois dimensions dont les reliefs et les propriétés chimiques s’accordent.
Cette liaison peut devenir utile de nombreuses manières : bloquer une interaction, détecter une molécule, transporter une charge ou servir de point de départ à un outil de recherche. Mais la prédiction informatique ne suffit pas. Une séquence prometteuse doit être synthétisée, exprimée correctement, rester stable, éviter les interactions non spécifiques et se fixer réellement à la cible dans une expérience contrôlée.
Anthropic a donc confié les designs à Adaptyv Bio et Twist Bioscience. Ces partenaires les ont fabriqués et testés sans se contenter des scores numériques produits pendant la conception. D’après le bilan publié, au moins un binder a été confirmé pour 14 cibles sur 15, et des protéines à forte affinité ont été obtenues contre au moins six cibles. Pour quatre d’entre elles, la meilleure proposition de Claude aurait égalé ou dépassé l’affinité la plus élevée précédemment rapportée.
Le verbe important est ici « confirmer ». Les simulations filtrent un espace gigantesque ; les mesures en laboratoire déterminent si le candidat existe autrement que comme fichier et comme modèle 3D plausible.
Claude n’a pas remplacé les modèles de biologie
Le récit peut facilement donner l’impression qu’un chatbot a dessiné seul des protéines à partir de texte. Le dispositif réel est plus intéressant. Claude s’est comporté comme un orchestrateur scientifique : il a sélectionné et combiné des logiciels publics de conception de séquences, de prédiction de structures et de co-repliement, puis interprété leurs sorties pour décider de la suite.
Il ne s’agit donc pas d’un nouveau modèle fondamental de protéines entraîné par Anthropic. Les briques spécialisées possédaient déjà la capacité de proposer ou d’évaluer des structures. La contribution de Claude se situe dans le pilotage du processus : chercher des informations, définir des critères, écrire du code, répartir le calcul, comparer des pistes, abandonner les moins prometteuses et relancer une campagne avec des paramètres différents.
Un brief de 30 000 tokens, puis une large autonomie
Au départ, les chercheurs ont fourni un prompt d’environ 30 000 tokens décrivant la mission, les ressources et les contraintes. Claude disposait aussi d’un accès à Internet, à des articles scientifiques, à des connecteurs vers des outils de travail et à une infrastructure GPU. Une fois la campagne lancée, l’intervention humaine s’est surtout limitée aux autorisations nécessaires, à la surveillance de l’infrastructure et à la commande des séquences retenues.
Deux modes ont été testés. Dans la campagne multi-cibles, le modèle gérait en parallèle l’ensemble du portefeuille pendant une session de 48 heures. Dans l’autre, Mythos Preview recevait une cible à la fois pendant plusieurs sessions de 24 heures. Le taux de réussite plus élevé de cette seconde méthode suggère qu’une grande autonomie ne suffit pas : la manière de découper la tâche et d’allouer l’attention reste déterminante.
Cette architecture donne une forme concrète à la promesse de Claude Science, présenté en juillet comme un environnement reliant conversation, bases scientifiques, code et instruments de calcul. Le nouvel essai ne montre plus seulement que ces éléments peuvent être connectés. Il évalue ce que leur coordination produit sur la paillasse.
Des réussites nettes et un échec instructif
Les moyennes cachent des écarts importants selon les cibles. Sur RBX1, une protéine impliquée dans le fonctionnement de certaines ubiquitine-ligases, la campagne dédiée de Mythos Preview a obtenu un taux de réussite de 40 %. Anthropic le compare à 3,7 % pour les participants d’une compétition antérieure, et affirme que son meilleur design dépasse celui du gagnant parmi 245 propositions.
Sur TNFα, protéine centrale de l’inflammation, Opus 4.8 a trouvé des binders là où Mythos Preview avait échoué. Plusieurs se sont également liés aux versions humaine, murine et de macaque cynomolgus de la cible. Cette réactivité croisée peut faciliter certaines études précliniques, car un même candidat devient plus simple à tester dans plusieurs espèces.
Les résultats structurels comptent aussi. La conception de binders riches en feuillets bêta est réputée plus difficile que celle de petites hélices compactes, davantage représentées dans les méthodes actuelles. Les équipes ont pourtant confirmé 15 binders bêta sur six cibles, signe que l’agent n’a pas uniquement reproduit la recette la plus confortable.
Une cible résiste complètement
La campagne a également produit un vrai revers. Aucun des 90 designs dirigés contre la maltose-binding protein, ou MBP, n’a été confirmé ; un seul a donné un signal faible mais reproductible. Les binders proposés contre BBF-14 sont, eux, restés modestes. Une seizième cible initialement choisie, la forme mature de GDF-8, a été retirée des résultats rapportés en raison de problèmes d’agrégation et de liaison non spécifique.
Ces échecs évitent une lecture magique du taux global. Les modèles ne savent pas encore prévoir de façon fiable quelles cibles seront « concevables ». La chimie de surface, la flexibilité, l’état expérimental de la protéine et le protocole de mesure peuvent transformer une bonne simulation en impasse.
Le taux de réussite dépasse une référence, pas un essai contrôlé
Anthropic compare ses taux de 22,6 % à 35,1 % à une fourchette de 10 % à 15 %, présentée comme typique des campagnes modernes. Ce point de repère vient en partie de Proteinbase, une base qui rassemble des expériences publiées. L’écart est impressionnant, mais il ne constitue pas une comparaison directe sur les mêmes cibles, avec les mêmes budgets, les mêmes outils et le même protocole.
Le problème est bien connu du secteur. Adaptyv Bio, l’un des laboratoires impliqués, explique dans la présentation de son benchmark BenchBB que les études n’emploient pas toujours la même définition d’un « hit », ni les mêmes techniques de mesure. Les scores computationnels peuvent en outre être faiblement corrélés à l’affinité réellement mesurée. Comparer deux pourcentages issus de campagnes hétérogènes peut donc amplifier ou masquer une différence.
Une expérience riche en calcul
L’accélération doit également être qualifiée. La session multi-cibles pouvait consommer jusqu’à 12 500 heures de GPU Nvidia H100. Les sessions dédiées disposaient de jusqu’à 2 500 heures H100 par cible. Ce budget ne correspond pas au coût d’une simple conversation avec Claude.
Le gain porte surtout sur la vitesse d’exploration et sur le travail humain de coordination. Un agent peut lancer de nombreux pipelines, lire leurs résultats et ajuster ses choix sans attendre qu’une équipe reprenne chaque étape le lendemain. Il reste à démontrer que cette méthode réduit le coût total d’un projet lorsque l’on additionne calcul, synthèse, essais, caractérisation et temps d’expert.
Anthropic a publié les designs, les prompts, les modèles et une partie des données sur Hugging Face. Cette ouverture permettra à d’autres équipes de réanalyser la campagne et, idéalement, de comparer les méthodes sur des protocoles standardisés. Elle est indispensable, car l’expérience demeure conçue et racontée par l’entreprise qui développe Claude, même si les mesures de laboratoire ont été confiées à des partenaires extérieurs.
Un binder prometteur n’est pas encore un médicament
La découverte d’une protéine qui se lie à une cible constitue un début, pas un traitement. Il faut ensuite vérifier ce qu’elle fait dans une cellule, mesurer sa spécificité, sa stabilité, sa toxicité, sa durée de vie dans l’organisme et sa capacité à atteindre le bon tissu. Une réponse immunitaire contre cette protéine peut aussi rendre le candidat inutilisable.
Les minibinders ne sont pas une modalité thérapeutique aussi établie que les anticorps. Ils peuvent néanmoins servir d’outils de diagnostic, de réactifs de recherche ou de point de départ pour une molécule plus aboutie. Cette nuance est d’autant plus importante qu’Anthropic a déjà annoncé vouloir explorer ses propres programmes de médicaments, notamment pour des maladies négligées.
Le nouvel essai apporte la preuve qui manquait à cette ambition : Claude peut générer des objets biologiques testables avec un rendement notable. Il n’apporte encore aucune preuve clinique, ni même la démonstration qu’un de ces binders modifie utilement une maladie.
L’analyse chimique confirme une autre forme d’autonomie
Le même billet d’Anthropic présente un second test, plus proche du travail quotidien d’un laboratoire. Claude Opus 5 a reçu des fichiers bruts de résonance magnétique nucléaire et de chromatographie liquide couplée à la spectrométrie de masse, accompagnés de consignes très courtes.
Le modèle a rendu ses analyses en 23 et 19 minutes, respectivement. Pour la RMN, son comptage des hydrogènes est resté à 0,08 près de la valeur de référence. Pour la pureté, il a calculé 96,4 %, contre 96,33 % dans le rapport du laboratoire. Il a aussi décodé un format propriétaire peu documenté, vérifié 2 664 scans et fourni du code ainsi que des réserves sur ses conclusions.
Ce cas est moins spectaculaire que la création d’une nouvelle protéine, mais peut-être plus immédiatement utile. Une grande part de la recherche dépend de fichiers instrumentaux difficiles à lire, d’étapes répétitives et de contrôles fastidieux. Accélérer ce travail sans masquer les incertitudes pourrait libérer du temps d’expertise. L’épisode montre aussi la limite : lors d’un suivi, Claude a dû corriger une formulation trop affirmative de sa propre analyse RMN. L’autonomie reste compatible avec l’erreur.
Une capacité scientifique qui ne sera pas ouverte à tous
La conception de protéines possède un double usage évident. Les mêmes méthodes peuvent créer un binder utile à un diagnostic, optimiser une interaction biologique dangereuse ou faciliter l’étude d’un agent pathogène. Anthropic indique donc que les capacités de protein design de Fable 5 ne seront pas accessibles au grand public et prépare un programme réservé à des scientifiques identifiés. Opus 5, utilisé pour l’analyse chimique, reste disponible plus largement.
Cette restriction pose une question de gouvernance difficile. Fermer totalement l’accès concentrerait une capacité scientifique dans quelques entreprises et laboratoires riches. L’ouvrir sans contrôle exposerait des outils puissants à des usages malveillants. Un dispositif crédible devra combiner vérification des utilisateurs, journalisation, limitations par domaine, évaluation des projets et possibilité d’audit, sans rendre la recherche légitime impraticable.
Le vrai changement se joue entre le modèle et la paillasse
La valeur de cette expérience ne tient pas à l’idée qu’un chatbot serait devenu biologiste. Elle vient du rapprochement entre trois mondes longtemps séparés : le raisonnement en langage naturel, les modèles spécialisés et la validation physique. Claude peut faire circuler une hypothèse entre ces couches assez vite pour conduire une campagne entière, tandis que le laboratoire conserve le dernier mot.
Le prochain test sera plus exigeant que l’annonce. D’autres équipes devront reproduire les taux de réussite, comparer le système à des spécialistes humains avec un budget équivalent, publier les échecs et suivre les meilleurs binders au-delà de la seule affinité. Si ces étapes confirment le résultat, le métier de la découverte ne disparaîtra pas. Son goulot d’étranglement se déplacera : moins de temps à assembler des pipelines, davantage à choisir les bonnes questions et à établir des preuves biologiques solides.
Références
- Anthropic — How Claude is accelerating protein design and analytical chemistry, 18 août 2026.
- Anthropic — jeu de données Claude Protein Binder Design.
- Adaptyv Bio — BenchBB: A reproducible benchmark for protein binder design.
- Proteinbase — base d’expériences de conception et de validation de protéines.
- Nature — De novo design of high-affinity protein binders with AlphaProteo.
