Concevoir des variantes de molécules, examiner des résultats ou relire des documents de fabrication : Anthropic décrit ce que Claude réalise avec six partenaires scientifiques. Le bilan publié le 27 octobre comporte des résultats de laboratoire, mais pas l’annonce d’un médicament disponible grâce à l’IA. Les travaux restent, pour la plupart, au stade préclinique.
L’intérêt est de regarder les tâches effectivement réalisées. Une proposition générée par un modèle, une mesure en laboratoire et un bénéfice démontré chez un patient représentent des étapes très différentes.
Un récepteur plus compact, testé avec des cellules immunitaires
L’un des exemples implique Generate Biomedicines. L’équipe travaille sur les récepteurs CAR, qui permettent de rediriger des cellules immunitaires vers une cible. Des agents IA ont contribué à proposer et à modifier des séquences, puis les chercheurs ont testé les candidats obtenus.
Le rapport technique de Generate décrit notamment un segment interne compact de 45 acides aminés, plus court que la référence utilisée pour la comparaison. Les auteurs rapportent des améliorations d’expression et de fonctionnement dans leurs expériences.
Ce résultat ne revient pas à annoncer un traitement anticancéreux validé. Il concerne une pièce d’un dispositif biologique et les comportements mesurés dans les conditions étudiées. La capacité de l’IA à produire une idée doit être distinguée de la capacité de cette idée à passer les étapes expérimentales suivantes.
L’IA intervient aussi dans le travail autour des molécules
Le bilan d’Anthropic ne se limite pas à la génération de structures. Il évoque la recherche de cibles, l’optimisation de candidats, l’analyse de données et l’examen de documentation de fabrication. Certains usages touchent ainsi à des tâches moins spectaculaires, mais indispensables au développement d’un médicament.
Cette diversité change la manière de mesurer un progrès. Un meilleur outil de relecture peut économiser du temps sans découvrir de molécule. Une série de designs prometteurs peut au contraire ouvrir une piste scientifique tout en nécessitant encore un long travail de validation.
Les résultats présentés sont ceux des équipes participantes et du fournisseur du modèle. Ils documentent leurs essais ; ils ne constituent pas une démonstration indépendante que la même méthode accélérerait tous les programmes de recherche.
Le laboratoire reste l’arbitre des propositions
Le mécanisme le plus concret est une boucle : définir un objectif, proposer des variantes, réaliser des expériences, puis utiliser les mesures pour choisir la suite. Sans ce retour du réel, une séquence plausible reste une hypothèse.
La majorité des travaux présentés n’a pas encore atteint les essais chez l’humain. Leur portée doit donc être évaluée à ce niveau, même lorsque les premières mesures sont encourageantes. Les questions d’efficacité, de sécurité et de fabrication ne disparaissent pas parce qu’un agent a participé à la conception.
Les expériences demandent encore de fabriquer et de mesurer
Le cas BigHat illustre une autre tâche : améliorer les propriétés de fragments d’anticorps qui pourraient entrer dans de futurs médicaments. Les équipes ne se sont pas contentées d’une réponse textuelle. Elles ont fabriqué et testé des variantes afin d’observer leur comportement.
Le bilan d’Anthropic explique aussi qu’une interrogation sur les critères de mesure a conduit à réexaminer les données et à modifier un protocole. Le travail utile de l’IA peut ainsi consister à aider à formuler la prochaine expérience, plutôt qu’à fournir immédiatement un candidat gagnant.
Dans les documents de fabrication, l’objectif est encore différent : repérer des incohérences et préparer des premières versions de textes soumis à relecture. Un gain sur une tâche administrative peut aider une équipe, sans raccourcir de la même manière toutes les étapes biologiques. Ces exemples donnent des critères concrets pour comparer les usages : quelle tâche a été confiée, quelle sortie a été contrôlée et quelle mesure confirme le résultat ?
Le prochain jalon crédible sera un résultat reproduit, puis une étape expérimentale franchie. C’est là que ces outils pourront montrer leur valeur : aider les chercheurs à tester de meilleures hypothèses, sans confondre une hypothèse prometteuse avec un traitement.
Samuel Le Goff suit l’actualité des smartphones, des systèmes d’exploitation mobiles et de l’intelligence artificielle depuis plus de 14 ans. Il couvre notamment Samsung, Xiaomi, Apple, Android, iOS et les grandes tendances du numérique.
