Claude révolutionne la science : protéines et chimie boostées par l'IA ?

DEUX DÉCOUVERTES QUI CHANGENT LA DONNE EN 2026

Depuis quelques mois, l'IA accélère les découvertes scientifiques à un rythme inédit. Jusqu'ici, ces progrès concernaient surtout des domaines où la vérification est rapide, comme les mathématiques. Mais aujourd'hui, l'intelligence artificielle s'attaque à des défis bien plus complexes : la conception de protéines et l'analyse chimique. Ces deux étapes sont cruciales dans le développement de nouveaux médicaments. Une avancée majeure vient d'être dévoilée : Claude a réussi à concevoir des protéines artificielles et à analyser des molécules en un temps record. Ces résultats pourraient bien révolutionner la recherche médicale.

CONCEVOIR DES PROTÉINES ARTIFICIELLES : UNE TÂCHE DE PLUSIEURS MOIS RÉDUITE À QUELQUES HEURES

La conception de protéines artificielles, appelées minibinders, est une étape clé dans le développement de nouveaux médicaments. Traditionnellement, cette tâche prend des semaines, voire des mois, à des experts en biologie. Les minibinders sont de petites protéines conçues pour s'accrocher fermement à une protéine cible. Leur rôle ? Bloquer, activer ou livrer une substance thérapeutique. Mais concevoir ces protéines de zéro (de novo) est un processus long et coûteux. Jusqu'ici, les scientifiques devaient multiplier les calculs, les optimisations et les tests en laboratoire pour obtenir un résultat exploitable. Grâce à l'IA, cette étape pourrait devenir bien plus rapide.

Une expérience récente a testé la capacité de Claude à concevoir des protéines artificielles. Les modèles Claude Opus 4.8 et Mythos Preview ont été utilisés pour créer des protéines capables de se lier à 15 cibles différentes. Résultat : sur ces 15 cibles, Claude a réussi à concevoir des protéines fonctionnelles pour 14 d'entre elles. Un score impressionnant, surtout quand on sait que les méthodes traditionnelles atteignent un taux de réussite de seulement 10 à 15 %. Mieux encore, certaines protéines conçues par Claude se sont révélées bien plus efficaces que les meilleures solutions publiées jusqu'à présent.

DES PROTÉINES PLUS EFFICACES QUE CELLES DES EXPERTS HUMAINS

L'expérience a également révélé que certaines protéines conçues par Claude surpassaient les meilleures solutions existantes. Par exemple, pour la cible RBX1, un modèle a atteint un taux de réussite de 40 %, contre seulement 3,7 % pour les participants humains. Sa meilleure conception s'est même avérée plus performante que la solution gagnante d'un concours dédié. Autre exploit : Claude Opus 4.8 a réussi à concevoir des protéines capables de se lier à la TNFα, une protéine cible extrêmement difficile à traiter. Cette protéine est impliquée dans les processus inflammatoires et bloque son action est à la base de médicaments comme l'Humira. Claude a même conçu des protéines fonctionnelles chez plusieurs espèces, dont l'humain, le singe et la souris. Une avancée majeure pour les études précliniques.

Les résultats montrent aussi que Claude peut concevoir des protéines avec des structures complexes, comme des feuillets bêta. Ces structures sont généralement difficiles à concevoir car elles ont tendance à se replier de manière incorrecte ou à s'agréger. Pourtant, Claude a réussi à créer 15 protéines fonctionnelles contenant au moins 20 % de feuillets bêta. Une performance remarquable pour une IA.

UNE MÉTHODE QUI FONCTIONNE MÊME POUR LES CIBLES LES PLUS DIFFICILES

Malgré ces succès, certaines cibles restent un défi pour Claude. Par exemple, la protéine BBF-14, entièrement artificielle, et la protéine MBP (maltose-binding protein) ont résisté aux tentatives de conception. BBF-14 est une protéine en forme de baril bêta, conçue de toutes pièces pour servir de référence dans les tests de conception de protéines. Quant à MBP, c'est une protéine bactérienne flexible avec une surface lisse et hydrophile, ce qui la rend difficile à cibler. Malgré cela, Claude a réussi à produire trois protéines capables de se lier à BBF-14, bien que leur efficacité soit modeste. Pour MBP, aucun des 90 designs testés n'a montré de liaison confirmée.

Ces résultats montrent que Claude peut rivaliser avec les experts humains, voire les surpasser, dans la conception de protéines. Mais il reste des limites, notamment pour les cibles les plus complexes ou les moins étudiées. Les chercheurs prévoient de poursuivre ces expériences pour mieux comprendre les capacités et les limites de l'IA dans ce domaine.

ANALYSER DES MOLÉCULES EN 20 MINUTES : L'IA PREND LE RELAIS DES CHIMISTES

La deuxième expérience menée par les chercheurs a testé la capacité de Claude Opus 5 à analyser des données chimiques. Jusqu'ici, les chimistes devaient passer des heures, voire des jours, à analyser des spectres de résonance magnétique nucléaire (NMR) et des résultats de chromatographie liquide couplée à la spectrométrie de masse (LC-MS). Ces analyses sont essentielles pour vérifier l'identité et la pureté des molécules synthétisées. Mais c'est un travail fastidieux et répétitif. Claude a été mis à l'épreuve : pouvait-il analyser ces données aussi bien qu'un chimiste expérimenté ?

Pour tester cette capacité, Claude a reçu des fichiers bruts issus d'un laboratoire de contrôle qualité. Avec une simple consigne en deux phrases et sans aucun logiciel spécialisé, Claude a analysé les données NMR et LC-MS en seulement 23 et 19 minutes respectivement. Les résultats étaient quasi identiques à ceux obtenus par les chimistes du laboratoire : Claude a mesuré une pureté de 96,4 %, contre 96,33 % pour le laboratoire. Un écart de seulement 0,07 point de pourcentage .

COMMENT L'IA A RÉUSSI À ANALYSER DES DONNÉES CHIMIQUES

Pour comprendre comment Claude a pu analyser ces données, revenons au fonctionnement des techniques NMR et LC-MS. La résonance magnétique nucléaire (NMR) permet de déterminer la structure d'une molécule en analysant les pics correspondant aux atomes d'hydrogène. Chaque pic représente un groupe d'atomes d'hydrogène dans la molécule. Le chimiste doit ensuite faire correspondre chaque pic à un atome de la structure proposée. Un travail minutieux et long, surtout pour les molécules complexes.

La chromatographie liquide couplée à la spectrométrie de masse (LC-MS) sépare les composants d'un échantillon et mesure leur masse. Les données brutes de ces instruments sont stockées dans des formats propriétaires, souvent incompatibles avec les logiciels standards. Les chimistes doivent donc utiliser des outils spécifiques pour interpréter ces résultats. Mais Claude a relevé le défi : il a réussi à décoder le format des fichiers bruts, à reproduire les totaux enregistrés par l'instrument, et à fournir tous les résultats attendus par un chimiste : le tracé de séparation, les spectres de masse et UV, un tableau de pureté, et même le code réutilisable pour analyser d'autres fichiers de ce type.

Mieux encore, Claude a fait preuve de jugement scientifique. Par exemple, il a proposé une expérience de suivi identique à celle réalisée par le laboratoire trois jours plus tard. Cette expérience consistait à ajouter de l'eau lourde (D2O) dans l'échantillon pour confirmer la présence de certains atomes d'hydrogène. Claude a détecté une erreur dans son analyse initiale et a corrigé son résultat pour correspondre à celui du laboratoire. Une démonstration impressionnante de sa capacité à raisonner comme un scientifique.

UNE RÉVOLUTION POUR LA RECHERCHE MÉDICALE

Ces deux expériences montrent que l'IA peut accélérer des tâches scientifiques qui prennent habituellement des semaines, voire des mois, à des experts humains. Dans le domaine de la chimie, Claude automatise des analyses qui étaient jusqu'ici réalisées manuellement. Pour la conception de protéines, Claude peut mener des campagnes de conception de bout en bout avec une intervention humaine minimale. Les protéines conçues par Claude rivalisent, voire surpassent, les meilleures solutions publiées jusqu'à présent.

Cependant, il est important de noter que les minibinders ne sont pas encore une modalité thérapeutique standard. Même pour les médicaments plus courants, comme les anticorps monoclonaux ou les petites molécules, la conception d'un minibinder à haute affinité n'est que la première étape du processus. Mais ces résultats sont prometteurs. Les chercheurs travaillent déjà à étendre les capacités de Claude pour qu'il puisse gérer l'ensemble du processus de développement de médicaments, quel que soit le type de molécule.

DES PROTÉINES CONÇUES EN 48 HEURES : UNE PERFORMANCE INÉGALÉE

Pour concevoir les protéines artificielles, les chercheurs ont utilisé deux approches distinctes. La première consistait à concevoir des protéines contre plusieurs cibles simultanément, en une seule session. La deuxième approche visait à concevoir des protéines contre une seule cible à la fois, en plusieurs sessions parallèles. Les résultats ont montré que la deuxième approche était plus efficace : le modèle Mythos Preview a atteint un taux de réussite global de 35,1 % en concevant des protéines contre chaque cible séparément, contre 26,7 % et 22,6 % pour les deux autres configurations.

Les chercheurs ont sélectionné 15 cibles couramment utilisées dans les benchmarks de conception de protéines, dont toutes celles du BenchBB d'Adaptyv Bio. Ces cibles sont bien étudiées, ce qui permet de comparer les résultats de Claude avec ceux publiés précédemment. Deux cibles supplémentaires, 15-PGDH et GDF-8, ont été choisies pour tester la capacité de Claude à concevoir des protéines contre des cibles inédites. Les chercheurs ont veillé à ce que les designs de Claude soient originaux et non inspirés de données préenregistrées ou de recherches en ligne.

Les sessions de conception ont duré 48 heures pour le mode multi-cibles et 24 heures pour le mode mono-cible. Les modèles ont utilisé jusqu'à 12 500 heures de calcul sur des GPU NVIDIA H100 pour le mode multi-cibles, et 2 500 heures par cible pour le mode mono-cible. Pendant ces sessions, Claude a choisi les sites de conception sur chaque protéine cible, généré des structures et séquences candidates, optimisé les designs in silico, et sélectionné des candidats nouveaux, diversifiés et solubles. Au total, 354 protéines fonctionnelles ont été produites contre 14 des 15 cibles, à partir de 1 320 designs.

UNE INTERVENTION HUMAINE MINIMALE POUR DES RÉSULTATS EXCEPTIONNELS

L'un des aspects les plus impressionnants de cette expérience est le niveau d'autonomie de Claude. Les chercheurs n'ont fourni qu'une consigne initiale et ont laissé le modèle travailler de manière autonome. Aucune guidance scientifique, technique ou opérationnelle supplémentaire n'a été donnée après le lancement des campagnes. La seule intervention humaine a consisté à approuver l'accès aux ressources et à surveiller l'infrastructure pour s'assurer que les sessions se déroulaient correctement.

Claude a mené à bien toutes les étapes de la conception d'une protéine, un processus qui prendrait des semaines à un opérateur humain. Il a choisi les sites de conception, généré des structures et séquences candidates, orchestré plusieurs modèles de conception de structure et de séquence, et optimisé les designs in silico. Les designs ont ensuite été envoyés à Adaptyv Bio et Twist Bioscience pour validation en laboratoire.

Les chercheurs estiment que, entre les mains d'experts en conception de protéines, cette approche pourrait donner des résultats encore plus impressionnants. En fournissant à Claude des retours actifs et des conseils sur les résultats intermédiaires, les experts pourraient guider l'IA vers des solutions encore plus performantes.

DES PROTÉINES ARTIFICIELLES POUR DES CIBLES UNIQUES

Parmi les 15 cibles testées, certaines étaient particulièrement intéressantes. Par exemple, la protéine RBX1 est une petite protéine qui joue un rôle clé dans la destruction ciblée de protéines régulatrices. Elle est souvent utilisée comme référence dans les benchmarks de conception de protéines. Claude a réussi à concevoir des protéines capables de se lier à RBX1 avec un taux de réussite de 40 %, un score bien supérieur à la moyenne des participants humains (3,7 %).

Autre cible difficile : la TNFα, une protéine de signalisation impliquée dans les processus inflammatoires. Bloquer cette protéine est la base thérapeutique de médicaments comme l'Humira. Claude Opus 4.8 a réussi à concevoir plusieurs protéines capables de se lier à la TNFα, y compris des protéines fonctionnelles chez plusieurs espèces. Une performance remarquable pour une cible aussi complexe.

Les chercheurs ne savent pas exactement pourquoi Claude Opus 4.8 a réussi là où Mythos Preview a échoué. Ils soulignent que la conception de protéines est un processus complexe et que des variations de performance peuvent survenir même entre des modèles globalement plus performants.

DES FEUILLETS BÊTA POUR DES PROTÉINES PLUS STABLES

La plupart des protéines artificielles conçues par ordinateur sont des faisceaux d'hélices alpha, une structure secondaire composée de coils. Les feuillets bêta, en revanche, sont plus difficiles à concevoir. Ils sont formés par des brins étendus d'acides aminés qui doivent s'aligner côte à côte. Les feuillets bêta sont plus sujets au mauvais repliement et à l'agrégation, c'est-à-dire à l'adhésion des molécules de protéines entre elles au lieu de rester séparées et correctement repliées. Pourtant, Claude a réussi à concevoir 15 protéines fonctionnelles contenant au moins 20 % de feuillets bêta. Une performance remarquable qui montre sa capacité à raisonner sur des structures protéiques complexes.

Ces résultats ouvrent la voie à la conception de protéines plus stables et plus fonctionnelles, avec des applications potentielles en médecine et en biotechnologie.

DES LIMITES ENCORE PRÉSENTES, MAIS DES PERSPECTIVES ENORMES

Malgré ces avancées impressionnantes, certaines cibles restent un défi pour Claude. Par exemple, la protéine BBF-14, entièrement artificielle, et la protéine MBP (maltose-binding protein) ont résisté aux tentatives de conception. BBF-14 est une protéine en forme de baril bêta, conçue de toutes pièces pour servir de référence dans les tests de conception de protéines. Quant à MBP, c'est une protéine bactérienne flexible avec une surface lisse et hydrophile, ce qui la rend difficile à cibler. Malgré cela, Claude a réussi à produire trois protéines capables de se lier à BBF-14, bien que leur efficacité soit modeste. Pour MBP, aucun des 90 designs testés n'a montré de liaison confirmée.

Ces limites montrent que l'IA a encore des progrès à faire pour maîtriser toutes les subtilités de la conception de protéines. Cependant, les chercheurs restent optimistes. Ils prévoient de poursuivre ces expériences pour mieux comprendre les capacités et les limites de Claude. Ils partageront également les consignes utilisées pour ces campagnes, ainsi que toutes les données générées in vitro et in silico.

ANALYSER DES SPECTRES NMR : UNE TÂCHE RAPIDE ET PRÉCISE POUR CLAUDE

Pour analyser les données NMR, Claude a dû convertir les données brutes de l'instrument en un spectre calibré et un tableau de 18 pics, chacun représentant un groupe d'atomes d'hydrogène. Ensuite, comme un chimiste expérimenté, Claude a identifié quatre pics larges comme étant probablement des atomes d'hydrogène attachés à de l'azote ou de l'oxygène. Il a ensuite proposé l'expérience standard : ajouter de l'eau lourde (D2O) dans l'échantillon pour confirmer cette hypothèse. Le laboratoire avait réalisé cette expérience trois jours plus tard. En analysant les données brutes de cette expérience, Claude a quantifié les changements, corrigé une erreur dans son analyse initiale (il avait d'abord rapporté que les quatre pics avaient disparu, alors que seuls deux l'avaient fait), et est parvenu à la même conclusion que l'opérateur du laboratoire.

Cette capacité à proposer et à valider des expériences montre que Claude ne se contente pas d'analyser des données : il fait preuve de jugement scientifique. Une compétence clé pour accélérer la recherche.

DÉCRYPTER DES FICHIERS LC-MS : UN DÉFI TECHNIQUE RELEVÉ

Les fichiers LC-MS utilisent un format propriétaire non documenté. Pourtant, Claude a réussi à décoder ce format et à confirmer qu'il avait correctement lu le fichier en reproduisant les totaux enregistrés par l'instrument pour l'ensemble des 2 664 scans. Ensuite, Claude a fourni tous les résultats attendus par un chimiste : le tracé de séparation, les spectres de masse et UV, un tableau de pureté, la masse moléculaire du composé, ainsi qu'un code réutilisable pour lire ce type de fichiers. Il a également listé les limites de fiabilité des résultats, notant par exemple que cette classe d'instruments ne donne la masse qu'à l'unité près.

Normalement, un chimiste passe entre une demi-heure et une heure par échantillon pour analyser un spectre NMR pertinent sur le plan thérapeutique. Le rapport LC-MS arrive environ deux heures après le chargement de l'échantillon sur l'instrument. Claude a traité et interprété les deux fichiers en parallèle en seulement 25 minutes. Il a également produit un rapport écrit en ce temps-là, alors que le laboratoire a mis quatre jours pour fournir son rapport final pour cet échantillon. Un délai standard, car les laboratoires analysent les molécules une par une, avec des interruptions possibles.

UNE RÉDUCTION DRAMATIQUE DU TEMPS ET DES COÛTS

Ces résultats montrent que l'IA peut réduire considérablement le temps et les coûts associés à l'analyse chimique. En automatisant des tâches répétitives et fastidieuses, Claude permet aux chimistes de se concentrer sur des aspects plus créatifs et stratégiques de leur travail. De plus, la rapidité d'analyse permet de tester plus de molécules en moins de temps, ce qui pourrait accélérer la découverte de nouveaux médicaments.

Les chercheurs soulignent que ces avancées ne sont qu'un début. À mesure que les modèles s'améliorent, le jugement scientifique de Claude devrait devenir encore plus précis. Les utilisateurs pourront bientôt tester eux-mêmes cette capacité en fournissant à Claude Science un fichier brut NMR ou LC-MS et en demandant à l'IA de confirmer l'identité et la pureté du composé.

VERS UNE RECHERCHE MÉDICALE PLUS RAPIDE ET PLUS ACCESSIBLE

Ces deux expériences démontrent comment l'IA peut accélérer la recherche dans les sciences de la vie en réduisant l'expertise, les coûts et le temps nécessaires à la découverte scientifique. En chimie, Claude automatise des analyses qui étaient historiquement réalisées manuellement. En conception de protéines, Claude peut mener des campagnes de conception de bout en bout avec une intervention minimale. Les protéines conçues par Claude rivalisent, voire surpassent, les meilleures solutions publiées jusqu'à présent.

Cependant, il reste du chemin à parcourir avant que les minibinders ne deviennent une modalité thérapeutique standard. Même pour les médicaments plus courants, la conception d'un minibinder à haute affinité n'est que la première étape du processus. Mais ces résultats sont prometteurs. Les chercheurs travaillent déjà à étendre les capacités de Claude pour qu'il puisse gérer l'ensemble du processus de développement de médicaments, quel que soit le type de molécule.

DES PROTÉINES CONÇUES PAR IA : UN NOUVEAU CHAPITRE POUR LA MÉDECINE

Les protéines artificielles conçues par Claude représentent une avancée majeure pour la recherche médicale. Jusqu'ici, la conception de protéines était un processus long et coûteux, réservé à des experts. Avec l'IA, cette étape pourrait devenir accessible à un plus grand nombre de chercheurs, y compris ceux qui ne sont pas spécialisés en biologie computationnelle. Cela pourrait ouvrir la voie à de nouvelles découvertes et à des traitements innovants.

Les chercheurs prévoient de poursuivre leurs travaux pour étendre les capacités de Claude. Leur objectif ? Permettre à l'IA de gérer l'ensemble du processus de développement de médicaments, de la conception initiale à la validation clinique. Une perspective enthousiasmante pour l'avenir de la médecine.

POUR ALLER PLUS LOIN : DES RESSOURCES TECHNIQUES DISPONIBLES

Pour ceux qui souhaitent approfondir ces résultats, les chercheurs ont partagé une liste de documents techniques offrant des détails supplémentaires. Ces ressources incluent des rapports techniques, des données in vitro et in silico, ainsi que les consignes utilisées pour les campagnes de conception de protéines. Ces documents permettent de mieux comprendre les méthodes et les résultats obtenus par Claude.

Ces avancées montrent que l'IA n'est plus seulement un outil d'automatisation, mais un véritable partenaire scientifique. Avec des modèles comme Claude, la recherche médicale pourrait entrer dans une nouvelle ère, plus rapide, plus efficace et plus accessible.