Le 27 octobre 2026, Anthropic a publié les premiers résultats de son programme de recherche en biotechnologie. En collaboration avec six partenaires pharmaceutiques, Claude a conçu environ 35 000 structures d'anticorps en l'espace d'un mois dans le cadre d'un programme de traitement des allergies alimentaires — un volume qu'une équipe humaine mettrait des années à atteindre par des méthodes classiques.
Ce chiffre mérite d'être contextualisé avec soin : aucun de ces candidats n'est en essai clinique chez l'humain, ni même proche d'un dépôt réglementaire. Tous les résultats publiés sont précliniques. Mais la portée de l'annonce dépasse la curiosité scientifique : elle décrit concrètement comment les LLMs peuvent accélérer la phase d'exploration en biologie computationnelle, et pose des questions sérieuses sur ce que signifie « découvrir » un médicament à l'ère de l'IA.
Cet article présente les faits vérifiés, les résultats annoncés pour chacun des six partenaires, le programme interne d'Anthropic, et les limites explicites à garder en tête avant de tirer des conclusions sur la maturité de l'IA dans le développement pharmaceutique.
35 000 anticorps en un mois : méthode et résultats
Réponse directe. Claude a été utilisé pour générer des propositions structurelles d'anticorps ciblant l'immunoglobuline E (IgE) — l'anticorps produit par le système immunitaire et impliqué dans les réactions allergiques d'origine alimentaire. Ce travail a été conduit en partenariat avec Divergence Labs, une start-up spécialisée en biologie computationnelle et conception de protéines.
Sur les 35 000 structures générées en environ un mois, les résultats préliminaires indiquent :
- 3 designs semblent capables de se lier à l'IgE.
- 20 designs semblent capables de déloger l'IgE des cellules immunitaires (mastocytes et basophiles) — mécanisme clé pour atténuer la réaction allergique.
- 3 designs ont montré une capacité à déloger l'IgE plus efficacement qu'un médicament de référence existant, selon les résultats préliminaires publiés par Anthropic.
La prochaine étape décrite consiste à combiner les propriétés de liaison et de délogement dans une structure unique — ce qui n'est pas encore acquis. L'ensemble de ce travail est préclinique : aucun essai sur des patients n'a été conduit, et les résultats présentés proviennent de tests in vitro.
Ce qui est remarquable ici, c'est moins le résultat lui-même que la vitesse d'exploration. Claude a fonctionné comme un outil d'expansion massive du champ des possibles : générer des milliers de candidats structurels pour que les chercheurs identifient ceux qui méritent d'être approfondis. Ce n'est pas un remplacement du chercheur — c'est un multiplicateur de sa capacité d'exploration.
Six partenaires pharma : ce que chacun a trouvé
Anthropic a annoncé six partenaires dans ce programme. Les résultats publiés varient selon les équipes et les degrés de détail communiqués.
Divergence Labs — allergies alimentaires
Programme décrit ci-dessus : 35 000 structures générées, candidats prometteurs sur la cible IgE. Divergence Labs est une start-up spécialisée en biologie computationnelle et conception de protéines par IA.
BigHat Biosciences — optimisation d'anticorps
Claude a été utilisé conjointement avec de l'automatisation de laboratoire pour optimiser deux fragments d'anticorps. L'association IA + robotique de laboratoire représente une logique de pipeline accéléré : l'IA propose des structures, le robot teste, l'IA raffine selon les résultats. Le détail des résultats n'était pas encore publié au moment de l'annonce.
Generate Biomedicines — thérapie CAR-T
L'équipe a utilisé Claude pour produire les instructions génétiques d'une thérapie CAR-T (type de thérapie cellulaire utilisé notamment en oncologie). Résultat annoncé : des instructions génétiques 70 % plus courtes que par les méthodes habituelles. Cette réduction peut avoir un impact sur la fabrication du vecteur thérapeutique, sa stabilité, et potentiellement les coûts de production.
Enveda — analyse documentaire
Claude a réduit le temps de revue humaine sur un ensemble de documents scientifiques de 89 %. Il ne s'agit pas de découverte moléculaire au sens strict, mais d'une accélération significative de la veille bibliographique et de la synthèse de littérature scientifique — une tâche qui occupe une part importante du temps des chercheurs en pharmacognosie et en ethnobotanique.
Bristol Myers Squibb et The Column Group
Ces deux partenaires sont mentionnés dans l'annonce d'Anthropic. Bristol Myers Squibb est l'un des dix premiers groupes pharmaceutiques mondiaux, ce qui donne une indication sur la nature et l'ambition des programmes concernés. Aucun résultat détaillé n'a été publié pour ces deux partenaires à la date de l'annonce.
Le programme interne d'Anthropic
Au-delà des partenariats, Anthropic conduit ses propres programmes de recherche médicamenteuse. L'entreprise a acquis Mithril Medicine, une société qui utilisait Claude pour développer un candidat anticorps contre la dystrophie musculaire congénitale liée à LAMA2 (LAMA2-CMD) — une maladie rare et sévère touchant les enfants.
Ce candidat a montré des résultats prometteurs sur des modèles murins (souris). Les études animales constituent la première étape de validation préclinique, mais elles ne présagent pas nécessairement des résultats équivalents chez l'humain : le taux d'échec entre les études animales et les essais cliniques de phase 1 reste historiquement élevé dans l'industrie pharmaceutique.
Cette évolution positionne Anthropic non plus seulement comme fournisseur d'outils IA pour les laboratoires pharmaceutiques, mais comme acteur qui construit ses propres programmes de découverte. Ce positionnement est cohérent avec les communications de l'entreprise sur sa mission de bénéfice public à long terme, mais il crée une tension nouvelle : Anthropic est à la fois fournisseur d'infrastructure pour ses partenaires et potentiellement compétiteur sur certains programmes. Cette tension est courante dans l'industrie tech mais mérite d'être conscientisée par les laboratoires qui envisagent une collaboration étroite.
Stade préclinique : ce que ces résultats ne prouvent pas encore
Avant de tirer des conclusions sur la portée de ces annonces, quelques limitations importantes à intégrer :
- Stade préclinique exclusivement : aucun des candidats décrits n'est en essai clinique chez l'humain. La découverte d'une structure moléculaire prometteuse est la première étape d'un parcours qui prend généralement 10 à 15 ans et implique des phases de toxicologie, pharmacocinétique, essais de phase 1, 2 et 3. La majorité des candidats précliniques n'aboutissent pas.
- Vitesse de conception ≠ vitesse de développement : Claude accélère la phase d'exploration des structures. Il n'accélère pas les phases réglementaires, les essais cliniques, ni la fabrication à l'échelle industrielle. L'accélération est réelle, mais elle se situe à une étape spécifique du pipeline — très en amont du médicament commercialisé.
- Résultats non encore soumis à peer review : les chiffres présentés proviennent de communiqués d'Anthropic, pas d'articles publiés dans des revues scientifiques à comité de lecture. Ils peuvent évoluer après publication scientifique, notamment si d'autres équipes cherchent à reproduire les résultats.
- Sélection des résultats positifs : les partenaires ont choisi de publier leurs résultats prometteurs. Des programmes qui n'ont pas abouti ne sont probablement pas dans la sélection communiquée. Ce biais de publication est courant dans l'industrie mais doit être gardé en tête pour une évaluation rigoureuse.
Ces réserves ne diminuent pas l'intérêt de l'annonce — elles permettent de l'évaluer correctement. L'IA comme outil d'exploration structurelle en biologie computationnelle est un usage documenté depuis plusieurs années (AlphaFold en est l'exemple le plus connu pour la prédiction de structure de protéines). Ce qui est nouveau ici, c'est l'intégration d'un LLM multimodal dans cette boucle d'exploration, avec des capacités de génération et de raisonnement que les outils spécialisés antérieurs n'avaient pas.
Ce que ce modèle signifie au-delà de la pharmacologie
Pour les organisations qui ne sont pas dans l'industrie pharmaceutique, plusieurs enseignements de ce programme sont transposables.
L'IA comme outil d'exploration à grand volume
La logique des « 35 000 structures en un mois » s'applique à d'autres domaines de travail intensif en exploration combinatoire : générer des variantes de parcours clients, tester des scénarios de pricing ou de configuration produit, explorer des combinaisons de paramètres de process industriel, produire des drafts de contrats pour différents cas de figure. Ce qui change avec les LLMs par rapport aux outils antérieurs, c'est la capacité à opérer sur des données non structurées ou semi-structurées — pas seulement des matrices numériques.
L'humain reste décideur sur les étapes critiques
Dans tous les programmes décrits, Claude génère ou accélère l'exploration. Les décisions de validation, de sélection et de passage à l'étape suivante restent humaines et requièrent une expertise de domaine. C'est un modèle d'automatisation métier à haute valeur ajoutée : déléguer le volume d'exploration à l'IA, garder le jugement critique sur les résultats. Ne pas déléguer les étapes de validation à un système IA sans superviseur qualifié.
Des partenariats sectoriels spécialisés émergent
Le modèle d'Anthropic — fournir Claude comme infrastructure d'exploration à des partenaires sectoriels dotés d'une expertise de domaine — préfigure ce que les fournisseurs IA pourraient structurer dans d'autres secteurs : juridique, finance, industrie, logistique. L'IA généraliste fournit la puissance de génération et de raisonnement ; l'expert de domaine fournit le cadre d'évaluation, les données propriétaires et la validation finale.
Pour les équipes qui envisagent un développement sur mesure d'outils IA dans leur secteur, ce modèle de partenariat est une référence utile : la valeur différenciante ne vient pas du modèle IA seul, mais de la combinaison du modèle et de l'expertise métier qui permet d'évaluer et de sélectionner ses sorties de façon fiable.
FAQ — Claude conçoit 35 000 anticorps en un mois pour traiter les allergies alimentaires : six partenaires pharma, résultats précliniques et enjeux de fiabilité
Ces 35 000 anticorps pourraient-ils devenir un médicament commercialisé ?
C'est une possibilité à long terme, mais il s'agit d'une étape très précoce. Seuls quelques candidats préliminaires semblent particulièrement prometteurs. Pour arriver à un médicament commercialisé, il faudrait encore : des tests précliniques approfondis in vitro et in vivo, des essais cliniques de phase 1 (sécurité), de phase 2 (efficacité) et de phase 3 (comparaison à grande échelle), puis une approbation réglementaire — processus qui prend typiquement 10 à 15 ans. La majorité des candidats précliniques n'aboutissent pas.
Qu'est-ce que l'IgE et pourquoi est-elle ciblée dans les allergies alimentaires ?
L'immunoglobuline E (IgE) est un anticorps produit par le système immunitaire en réponse à certains allergènes. Dans les allergies alimentaires, l'IgE se fixe sur des cellules immunitaires (mastocytes, basophiles) et déclenche une cascade inflammatoire — dont l'anaphylaxie dans les cas sévères — au contact de l'allergène. Cibler l'IgE est une approche thérapeutique déjà validée : l'omalizumab (Xolair) fonctionne sur ce principe pour les allergies respiratoires et l'urticaire chronique.
Comment Claude génère-t-il des structures d'anticorps ?
Claude n'est pas un outil de biologie computationnelle spécialisé au sens strict. Il est utilisé comme moteur de génération et de raisonnement multimodal, guidé par les chercheurs de Divergence Labs qui fournissent les contraintes de cible, les données de structure et les critères de sélection. Claude génère des propositions structurelles, les chercheurs les évaluent, sélectionnent les plus prometteuses et le cycle recommence. C'est une boucle humain-machine itérative, pas une génération entièrement autonome.
Que signifie exactement 'préclinique' dans ce contexte ?
Préclinique signifie que les tests ont été effectués in vitro (en laboratoire, sur des cellules ou des molécules en solution) ou in vivo sur des animaux — mais pas chez l'humain. Le passage aux essais cliniques de phase 1 (premiers tests chez l'humain pour évaluer la sécurité) est la prochaine étape majeure, et c'est là que l'immense majorité des candidats précliniques s'arrêtent en raison de problèmes de sécurité ou d'efficacité insuffisante chez l'humain.
Ce type d'approche IA en pharmacologie est-il accessible aux PME du secteur santé ?
Pas directement sous cette forme : les partenariats annoncés impliquent des start-ups biotechs spécialisées et des grands groupes pharmaceutiques avec des équipes de recherche dédiées. En revanche, des applications plus proches des PME de santé — analyse documentaire (89 % de gain chez Enveda), aide à la synthèse bibliographique, assistance réglementaire, gestion des données cliniques — sont dès maintenant réalisables avec des outils disponibles et un accompagnement technique approprié.
Cette annonce confirme-t-elle que l'IA peut remplacer les chercheurs en pharmacologie ?
Non. Dans tous les programmes décrits, l'IA accélère l'exploration et génère des candidats — elle n'évalue pas, ne valide pas, ne décide pas. Les décisions de sélection, d'interprétation des résultats et de passage à l'étape suivante restent humaines et requièrent une expertise de domaine spécialisée. Claude fonctionne comme un outil d'amplification du travail de recherche, pas comme un chercheur autonome.