Anthropic a laissé Claude concevoir des protéines seul : 14 cibles sur 15 touchées en laboratoire

Un prompt, puis plus rien pendant 48 heures

Le 18 août 2026, Anthropic publie un rapport qui ne ressemble à aucun de ses précédents billets sur Claude. Il n'y est question ni de code, ni d'agents de bureau, ni de benchmark de raisonnement, mais de biologie moléculaire. Le sujet : faire concevoir par Claude, seul, des protéines capables de s'accrocher à une cible biologique précise, un exercice appelé conception de liant de novo, puis faire tester ces protéines dans un vrai laboratoire, par une entreprise extérieure qui n'a rien à gagner à enjoliver le résultat.

Ce qui distingue cette expérience des innombrables annonces de capacités scientifiques publiées par les laboratoires d'IA depuis deux ans, c'est le protocole retenu. Anthropic n'a pas fait travailler Claude aux côtés d'un chercheur qui vérifie chaque étape. Elle a donné un prompt, lancé la campagne, puis attendu le résultat. « Nous n'avons fourni aucune indication scientifique, technique ou opérationnelle supplémentaire après le lancement des campagnes », écrit l'entreprise dans son rapport. Le reste s'est joué sans supervision humaine, jusqu'à ce que les designs finaux atterrissent dans les mains d'un laboratoire pour y être mesurés.

Pourquoi concevoir une protéine qui marche est si difficile

Une protéine liante, ou binder, est une molécule conçue pour se fixer sur une cible précise, un récepteur, une toxine, une autre protéine, avec assez de force et de spécificité pour être utile en recherche ou, plus tard, dans un traitement. Le problème est que l'espace des séquences possibles est immense, et que la plupart des combinaisons ne se replient même pas dans une forme stable, encore moins dans une forme qui colle à la bonne cible.

Pendant longtemps, cette conception reposait sur des logiciels spécialisés comme Rosetta, avec un taux de réussite expérimentale historiquement inférieur à 1 %, parfois sous 0,1 % pour des cibles difficiles comme les anticorps. L'arrivée de modèles de diffusion dédiés à la structure des protéines a changé la donne : RFdiffusion, publié en 2023, a fait grimper ce taux autour de 19 % en moyenne, avec des variantes atteignant 30 à 46 % selon la cible. Des outils plus récents comme BindCraft revendiquent des moyennes de 30 à 50 %. C'est dans ce paysage, dominé par des modèles spécialisés entraînés spécifiquement sur des structures 3D de protéines, qu'Anthropic a voulu tester un modèle de langage généraliste, pas construit pour la biologie, mais capable d'écrire du code, de chercher des ressources en ligne et d'orchestrer des outils spécialisés pour lui.

Le protocole : accès total, zéro consigne après le départ

Concrètement, Claude Opus 4.8 et Mythos Preview, une version de prévisualisation d'un futur modèle, ont reçu un prompt d'environ 30 000 tokens décrivant la tâche, puis un accès à internet, à des connecteurs habituels d'un environnement de travail (Google Drive, Slack, Gmail, BioRxiv, la plateforme de prépublication en biologie) et à des puces de calcul GPU pour faire tourner des modèles spécialisés de structure de protéines. Selon le mode retenu, les modèles disposaient jusqu'à 12 500 heures de calcul H100 sur 48 heures pour une campagne portant sur plusieurs cibles à la fois, ou jusqu'à 2 500 heures H100 par cible sur 24 heures pour une campagne resserrée sur une seule cible.

Au total, 16 cibles biologiques ont été soumises, dont une, la forme mature de GDF-8, a dû être écartée après coup pour des mesures de laboratoire défaillantes, ramenant l'analyse à 15 cibles valides. Sur cet ensemble, les modèles ont produit 1 320 designs distincts de protéines. Adaptyv Bio, spécialisée dans le criblage à haut débit de protéines, et Twist Bioscience, qui a synthétisé les séquences d'ADN correspondantes, ont ensuite testé chaque design avec un essai de résonance plasmonique de surface, une technique qui mesure directement la force de la liaison entre deux molécules, à cinq concentrations différentes et avec mesure en double pour limiter les faux positifs.

« Nous n'avons fourni aucune indication scientifique, technique ou opérationnelle supplémentaire après le lancement des campagnes. »

14 cibles sur 15, un taux qui dépasse la moyenne du secteur

Sur les 1 320 designs testés, 354 se sont révélés liants, soit un taux global de 26,8 %. Répartis par modèle et par mode d'exécution, les chiffres varient : 22,6 % pour Opus 4.8 en mode multi-cibles, 26,7 % pour Mythos Preview dans le même mode, et jusqu'à 35,1 % pour Mythos Preview quand il travaillait sur une seule cible à la fois. Anthropic elle-même situe le taux « typique » d'une campagne de ce genre entre 10 % et 15 %, ce qui place les meilleurs résultats de Claude nettement au-dessus de cette référence, sans pour autant dépasser les meilleurs outils spécialisés du marché.

Quelques cas illustrent l'écart avec l'existant. Sur RBX1, une cible déjà utilisée dans une compétition publique de conception de protéines, Mythos Preview en mode mono-cible atteint un taux de réussite de 40 %, contre 3,7 % pour l'ensemble des participants humains de cette compétition, et améliore l'affinité du meilleur binder déjà connu, la faisant passer de 25,7 à 3,9 nanomolaires, un gain de près d'un facteur sept. Sur 15-PGDH, une autre cible issue d'une compétition antérieure, l'amélioration est du même ordre : l'affinité passe de 1,7 micromolaire à 33,4 nanomolaires. Sur TREM2, un récepteur immunitaire, le taux de réussite atteint 80 %. Sur le virus Nipah en revanche, Claude n'a pas réussi à faire mieux que le meilleur binder déjà identifié lors d'une compétition antérieure sur cette même cible.

• 01RBX1 : 40 % de réussite (Mythos Preview, mono-cible) contre 3,7 % en compétition humaine
• 0215-PGDH : affinité améliorée de 1,7 micromolaire à 33,4 nanomolaires
• 03TREM2 : 80 % des designs confirmés comme liants
• 04Virus Nipah : aucun design n'a dépassé le meilleur binder déjà connu
• 05Protéine liant le maltose (MBP) : 0 binder confirmé sur 90 designs

Ce qui n'a pas marché, et ce que Claude n'a pas prouvé

L'échec le plus net concerne la protéine liant le maltose, une protéine bactérienne de grande taille, à la surface lisse et flexible, réputée difficile à cibler. Aucun des 90 designs produits pour cette cible ne s'est révélé liant. Sur BBF-14, une autre cible délicate, le résultat est mitigé : trois binders confirmés, mais avec des affinités modestes. Anthropic note aussi que 95 % des designs se sont correctement exprimés en laboratoire, une étape technique préalable au test de liaison lui-même, ce qui montre que l'essentiel des échecs vient de la spécificité de la liaison recherchée, pas d'une incapacité générale à produire des séquences viables.

Anthropic pose elle-même deux limites importantes à la portée de ces résultats. La première, méthodologique : l'expérience s'est déroulée en boucle ouverte, Claude a conçu les protéines et Adaptyv Bio les a testées, sans que les résultats de laboratoire ne reviennent nourrir une nouvelle génération de designs pendant la campagne. Fermer cette boucle, pour que le modèle apprenne de ses propres échecs en cours de route, est présenté par Anthropic comme la prochaine étape logique. La seconde limite, plus fondamentale : un liant à haute affinité n'est, dans les mots de l'entreprise, qu'« une première étape » vers une molécule utilisable en pharmacie. Un minibinder qui s'accroche fort à sa cible en tube à essai n'est pas un médicament, et rien dans cette expérience ne mesure la toxicité, la stabilité en conditions réelles ou l'efficacité clinique d'aucun de ces designs. Anthropic précise enfin que ces capacités de conception biologique restent indisponibles en accès général pour Claude Fable 5, son modèle le plus avancé pour le grand public, en raison de préoccupations de double usage : les mêmes techniques qui aident à concevoir un liant thérapeutique pourraient, en théorie, aider à concevoir autre chose.

Un généraliste qui rattrape des outils spécialisés, pas qui les dépasse

La lecture la plus honnête de cette expérience n'est ni celle d'une révolution ni celle d'un coup de communication vide. Un modèle de langage généraliste, pas entraîné spécifiquement sur des structures de protéines, atteint des taux de réussite du même ordre que RFdiffusion ou BindCraft, des outils bâtis spécifiquement pour cette tâche depuis plusieurs années. Ce n'est pas anodin : cela veut dire que Claude n'a pas eu besoin d'être un outil de biologie pour produire un travail de biologie correct, il lui a suffi d'orchestrer les bons outils spécialisés, de chercher les bonnes ressources sur BioRxiv et de raisonner sur les résultats intermédiaires, seul, sur deux jours de calcul.

Cela reste, malgré tout, en dessous des meilleurs résultats publiés par des outils dédiés comme AlphaProteo, qui revendique jusqu'à 88 % de réussite sur certaines cibles, et l'échec total sur la protéine liant le maltose rappelle qu'aucun système, généraliste ou spécialisé, ne résout aujourd'hui la conception de protéines de façon uniforme. Le vrai apport de cette expérience tient moins dans le taux de réussite brut que dans ce qu'il implique pour le travail scientifique lui-même : un laboratoire pourrait, en théorie, confier une campagne de conception préliminaire à un modèle sur un week-end plutôt que de mobiliser une équipe pendant des semaines, à condition d'accepter qu'un designer sur trois ou quatre ne fonctionnera pas, et que la vérification en laboratoire reste, pour l'instant, un passage obligé qu'aucune IA ne remplace.