Claude a trouvé en 64 heures 17 protéines capables de se lier aux toxines de scorpion

Si vous avez déjà construit un processus agentique complexe, le scénario vous sera familier : le modèle reçoit un objectif, trouve des données, appelle une dizaine d’outils, vérifie les résultats intermédiaires et réduit progressivement l’espace de recherche. Mais ici, le résultat n’était ni un rapport ni une pull request : il s’agissait de 211 nouvelles conceptions de protéines, ensuite fabriquées et testées par deux laboratoires.

En 64 heures, le modèle de recherche d’Anthropic a mené une campagne visant à découvrir des protéines capables de se lier à cinq neurotoxines de scorpion. Claude a généré 318 484 variantes, évalué par calcul 553 052 paires « protéine-toxine » et retenu 180 candidats. Avec l’aide du modèle, des humains ont ajouté 31 conceptions supplémentaires. Sur les 211 protéines finales, 17 ont satisfait aux critères de laboratoire.

Ce n’est pas un antidote prêt à l’emploi. Mais l’expérience montre clairement où les systèmes agentiques sont déjà utiles en pratique, et où la présentation devance encore la réalité.

Ce que Claude a fait exactement

Imaginez la tâche comme la recherche d’une clé destinée à une serrure extrêmement complexe. La toxine est la serrure, et une petite protéine artificielle est la clé, qui doit s’accrocher fermement à la bonne surface. En se liant à la région par laquelle la toxine se fixe au canal sodique d’une cellule nerveuse, il serait théoriquement possible de l’empêcher d’agir.

Les humains ont défini les objectifs, les outils disponibles, les règles de nouveauté et les contraintes de base. Après la requête initiale, quatre précisions supplémentaires ont été nécessaires. Claude a ensuite recherché les structures des toxines dans des bases ouvertes, choisi les sites de liaison, fixé des seuils de qualité, combiné 12 outils de conception et constitué une liste destinée à la synthèse physique. Le modèle a travaillé de manière autonome pendant les premières 24 heures, tandis que l’ensemble de la campagne de calcul a mobilisé environ 10 000 heures d’accélérateurs.

Les protéines ont été évaluées indépendamment par Adaptyv Bio et Twist Bioscience. Sept conceptions se sont liées à la toxine Cn2, quatre à AaH II, quatre à AaH I et deux autres à LqhIII. Pour la cinquième toxine, Ts1, aucune protéine adaptée n’a été trouvée selon les critères établis. Le meilleur candidat, Cn2-B1, a présenté une affinité de l’ordre de quelques nanomolaires, un solide résultat de laboratoire pour ce stade précoce.

Là où l’agent a réussi, et là où il a échoué

Le chiffre le plus utile n’est pas celui des 318 000 variantes générées, mais celui des 11 protéines fonctionnelles parmi 60 conceptions destinées à une toxine précise. Cela représente environ 18 %, un résultat que les auteurs jugent normal pour ce type de campagne. La génération n’a pas produit une jolie collection de molécules, mais des candidats ayant résisté à l’épreuve du laboratoire.

Les protéines universelles ont donné de moins bons résultats. Claude a conçu des groupes distincts de candidats visant deux, trois ou cinq toxines à la fois. Selon les critères définis, aucune conception n’a réussi à se lier à plus d’une toxine. L’échec total des 91 protéines conçues pour cibler simultanément les cinq toxines est particulièrement révélateur.

La cause ne tient peut-être pas uniquement au modèle. Les toxines ont une forme générale similaire, mais leurs séquences d’acides aminés ne sont identiques qu’à 26–62 %. Il est possible que les outils choisis soient mal adaptés à cette tâche, que les indications aient orienté la recherche dans la mauvaise direction ou qu’une protéine universelle soit tout simplement difficile à obtenir sous la forme proposée. L’expérience laisse honnêtement cette question ouverte.

Il existe une limitation plus importante encore : les chercheurs n’ont testé que la liaison. Ils n’ont évalué la neutralisation des toxines ni sur des cellules ni sur des animaux. La sécurité, la stabilité, le dosage, le coût de production et le comportement des protéines dans l’organisme restent inconnus. Il est donc impossible de qualifier ce résultat d’antidote.

Ce que les développeurs et les équipes produit doivent en retenir

La principale leçon est qu’il vaut mieux confier à l’agent non pas une commande magique unique, mais une boucle de recherche contrôlable : un objectif, un ensemble d’outils, des seuils mesurables, un journal des décisions et une validation externe coûteuse à la fin. Claude n’a pas remplacé le laboratoire. Il a considérablement élargi l’espace des possibilités, puis le laboratoire a distingué les véritables réussites des prédictions informatiques convaincantes.

Pour une équipe produit, cette architecture est familière : le modèle génère et classe les hypothèses, mais le critère final se trouve hors du modèle — dans les tests, les données des utilisateurs, le chiffre d’affaires ou une expérience physique. Plus une erreur coûte cher, plus une vérification indépendante devient importante.

Anthropic a publié les 211 conceptions ainsi que les résultats des mesures. Le travail peut donc être évalué à partir des données plutôt que d’un discours promotionnel. Pour l’instant, la conclusion reste mesurée : un agent autonome peut déjà réaliser en quelques jours une part substantielle d’une recherche scientifique complexe. Mais le chemin entre un candidat identifié et un médicament demeure plus long et plus difficile que la génération elle-même.