Claude peut-il vraiment accélérer la mise au point de nouveaux médicaments ?

Claude ne vient pas d’inventer un médicament prêt à soigner des patients. Mais Anthropic publie plusieurs résultats qui montrent comment son IA peut déjà intervenir à presque toutes les étapes du développement pharmaceutique : conception de protéines, optimisation d’anticorps, analyse de données de laboratoire, préparation de dossiers réglementaires et planification d’essais cliniques.

L’annonce du 27 octobre 2026 s’appuie sur des partenariats avec six organisations : BigHat Biosciences, Bristol Myers Squibb, Divergence Labs, Enveda, Generate Biomedicines et The Column Group. Anthropic a aussi lancé ses propres travaux en rachetant Mithril Medicine, une structure consacrée à deux formes rares de dystrophie musculaire.

Les résultats sont prometteurs, parfois spectaculaires, mais presque tous restent précliniques. Ils permettent de mesurer un gain de vitesse ou d’efficacité en laboratoire ; ils ne démontrent pas encore qu’un nouveau traitement sera sûr et efficace chez l’humain.

Claude s’installe dans toute la chaîne du médicament

Le développement d’un médicament ne se résume pas à imaginer une molécule. Il faut choisir une cible biologique, concevoir puis optimiser un candidat, organiser les expériences, préparer sa fabrication, constituer les dossiers réglementaires et enfin mener plusieurs phases d’essais cliniques.

Anthropic défend une approche distribuée : utiliser Claude là où chaque équipe rencontre un goulot d’étranglement. Le modèle ne remplace ni les biologistes ni les expériences physiques. Il aide à explorer davantage d’hypothèses, à analyser les résultats et à coordonner des opérations qui consomment une grande partie du temps des chercheurs.

Cette logique complète un constat déjà visible en médecine : l’IA peut augmenter les professionnels sans se substituer à leur jugement. Ici, la même idée s’applique aux équipes qui développent les traitements.

Des cellules immunitaires mieux équipées contre le cancer

Generate Biomedicines travaille sur les thérapies CAR-T, qui consistent à modifier les cellules immunitaires d’un patient pour qu’elles reconnaissent et attaquent des cellules cancéreuses. Ces traitements ont déjà montré leur efficacité contre certains cancers du sang, mais leur extension aux tumeurs solides reste difficile.

Six scientifiques de Generate ont utilisé Claude Code et d’autres outils d’IA pour raccourcir le domaine de signalisation d’un récepteur CAR. L’un des meilleurs designs obtenus est environ 70 % plus court que la version de référence. Lors d’essais sur des cellules humaines en laboratoire, il a produit environ dix fois plus de récepteurs à leur surface, tout en améliorant certains signaux immunitaires et la destruction de cellules tumorales.

Cette compacité pourrait laisser davantage de place à d’autres fonctions dans les instructions génétiques envoyées aux cellules. Mais Generate le précise : la sécurité et l’efficacité chez les patients n’ont pas encore été testées. La prochaine étape passe par des modèles précliniques plus complexes, notamment chez la souris.

35 000 anticorps proposés contre les allergies alimentaires

Divergence Labs cherche à concevoir un anticorps capable de détacher l’immunoglobuline E, ou IgE, déjà fixée aux cellules immunitaires. Cette IgE liée participe au déclenchement des réactions allergiques. Le médicament de référence, Xolair, agit principalement sur l’IgE libre et ne répond pas entièrement à ce problème.

Claude a transformé l’objectif des chercheurs en plan de conception, puis généré environ 35 000 designs d’anticorps en un mois. Après filtrage informatique, l’équipe a testé un nombre beaucoup plus réduit de candidats au laboratoire. Vingt designs ont réussi à déloger l’IgE dans les premiers tests, dont trois paraissaient plus performants que Xolair aux concentrations étudiées. Trois autres designs se sont correctement liés à l’IgE pour former le second bras envisagé du futur anticorps.

Le gain de vitesse est notable : Divergence indique avoir obtenu des résultats en trois à quatre semaines et demie, contre jusqu’à neuf mois pour des travaux comparables. Pourtant, il ne s’agit encore que de composants séparés. L’équipe doit les réunir dans un même anticorps, puis vérifier sa stabilité, sa fabrication, sa sécurité et son efficacité.

Optimiser des anticorps avec une boucle IA-laboratoire

Chez BigHat Biosciences, Claude a été connecté au système qui centralise les molécules, les expériences et les mesures du laboratoire. Un chercheur d’Anthropic et l’équipe de BigHat ont utilisé cette boucle pour améliorer deux fragments d’anticorps.

En dix semaines, le laboratoire a fabriqué et testé environ 1 010 variantes. Selon le rapport des équipes, les meilleures se liaient à leur cible plus de dix fois plus fortement. L’un des candidats restait en solution à une température supérieure de 18 °C à celle du point de départ ; l’autre s’agrégeait plus de cent fois plus lentement.

Le cas est intéressant parce que Claude n’a pas seulement proposé des séquences. Lorsque les métriques habituelles ont paru trompeuses, le modèle et le chercheur ont réanalysé les données brutes, suggéré d’autres mesures et proposé un changement de protocole, ensuite affiné et exécuté par les scientifiques. Anthropic précise avoir payé BigHat pour le travail de laboratoire de cette collaboration.

Le gain immédiat se trouve aussi dans la paperasse

Enveda fournit l’exemple le moins spectaculaire visuellement, mais peut-être le plus vite applicable. Ses chimistes consacraient jusqu’à 75 % de leur temps à la documentation liée à la fabrication et aux exigences réglementaires.

Sur 1 061 pages de dossiers, le système connecté à Claude a retrouvé les 11 problèmes repérés par les relecteurs humains et généré sept signalements supplémentaires. Le temps de vérification humaine a diminué de 89 %, de plus de 25 heures à moins de trois heures. Claude a également produit en quatre heures le premier jet d’un document réglementaire qui demandait environ trois mois avec le processus habituel.

Ces chiffres proviennent d’Enveda et d’Anthropic. Ils décrivent un environnement documentaire précis et ne garantissent pas le même résultat dans toutes les entreprises. Les documents destinés aux autorités restent sous responsabilité humaine : une erreur ou une omission peut retarder un essai et exposer des patients à un risque.

Une « pipeline-in-a-person » pour les maladies rares

Anthropic a par ailleurs acquis Mithril Medicine, une entreprise d’une seule personne créée par Cody Tranbarger. Son objectif est de développer des anticorps contre deux formes rares de dystrophie musculaire congénitale.

Claude a surtout servi à coordonner les contrats, la logistique, les données et les expériences menées par 11 laboratoires externes. Un candidat est passé de l’idée à des résultats encourageants chez la souris en moins de 18 mois. Dans une petite étude, les animaux recevant la dose la plus élevée ont présenté environ deux fois plus de force de préhension et de force musculaire que les souris malades non traitées. La survie s’est également améliorée, sans atteindre celle des animaux sains.

Le rapport porte sur une étude pilote, non évaluée par les pairs. Huit souris traitées et huit non traitées ont été suivies pour la survie, avec d’autres effectifs selon les mesures. Ces résultats ne prouvent ni la sécurité ni l’efficacité chez l’humain. Mithril vise une entrée éventuelle en essai clinique à partir de la fin de 2028 si les candidats franchissent toutes les étapes intermédiaires ; c’est une cible, pas un engagement.

Les limites à ne pas perdre de vue

Ces projets produisent des données concrètes, mais leur portée doit rester précisément délimitée :

• les principales études sont précliniques et souvent menées sur des cellules ou des souris ;
• les rapports techniques et prépublications n’ont pas encore tous fait l’objet d’une évaluation par les pairs ;
• plusieurs résultats sont communiqués par Anthropic et ses partenaires, qui ont intérêt à démontrer l’utilité de Claude ;
• les comparaisons de délais reposent parfois sur les estimations des équipes plutôt que sur des essais contrôlés ;
• aucune de ces expériences ne supprime les essais cliniques, la validation réglementaire ou la responsabilité humaine ;
• la biologie impose des délais incompressibles : une IA ne peut accélérer la croissance des cellules, le vieillissement des animaux ou le suivi à long terme des patients.

Le taux d’échec du développement pharmaceutique reste élevé. Une molécule impressionnante en laboratoire peut échouer pour des raisons de toxicité, d’efficacité, de fabrication ou de dosage. La vraie preuve viendra des essais cliniques et, à terme, de traitements autorisés qui améliorent réellement la vie des patients.

L’avis de Pierre

Les prochaines années, nous allons améliorer la santé humaine de manière drastique.

Les exemples publiés par Anthropic permettent de comprendre pourquoi cet optimisme n’est pas seulement abstrait. L’IA ne travaille plus uniquement sur des articles scientifiques : elle entre dans les boucles réelles de conception, d’expérimentation, de documentation et de décision. Elle peut aider les chercheurs à tester davantage de pistes et à consacrer plus de temps aux choix qui exigent leur expertise.

Cette accélération n’abolit pas la prudence. Elle rend au contraire plus importante la qualité des expériences, la traçabilité des décisions et la validation clinique. Mais si ces méthodes tiennent leurs promesses, elles pourraient permettre d’explorer des maladies rares ou des pistes thérapeutiques que les coûts actuels laissent de côté.

Une accélération crédible, pas encore une révolution clinique

Le signal le plus fort de l’annonce n’est pas un chiffre isolé. C’est la variété des tâches confiées à Claude : concevoir, analyser, documenter, coordonner et préparer des décisions. L’IA commence à agir comme une couche de travail commune à toute la chaîne pharmaceutique.

Ce changement peut raccourcir certaines boucles de recherche et rendre viables davantage de programmes. Il ne permet pas encore d’affirmer que Claude a créé un médicament. Pour l’instant, Anthropic montre surtout que des scientifiques bien équipés peuvent avancer plus vite. Dans un domaine où chaque année gagnée compte pour les patients, c’est déjà considérable.