Développer un médicament ne revient pas seulement à trouver une molécule prometteuse. Il faut aussi choisir une bonne cible biologique, concevoir un candidat, vérifier qu'il peut être fabriqué de façon fiable, préparer les dossiers réglementaires et organiser des essais cliniques. À chaque étape, un programme peut prendre du retard - ou s'arrêter.
Anthropic dit avoir mobilisé Claude sur plusieurs de ces tâches, avec six organisations de la pharma et de la biotech, ainsi que dans des programmes menés en interne. Les premiers cas portent sur la conception de molécules, leur optimisation, la documentation de fabrication et la planification d'essais. Certains résultats sont mesurables, mais ils restent pour l'essentiel précliniques, et ils sont rapportés par les organisations impliquées.
L'enjeu, ici, est moins « peut-on fabriquer automatiquement un médicament ? » que « l'IA peut-elle vraiment réduire les goulots d'étranglement qui s'accumulent pendant le développement ? » Les premiers projets permettent d'entrevoir des gains - tout en rappelant qu'il faut rester prudent avant d'en tirer des conclusions générales.
Pourquoi l'IA peut accélérer le développement des médicaments
Le problème ne se limite pas à trouver une molécule
Quand on parle d'IA en santé, on pense vite à la découverte de molécules. C'est une étape importante, mais ça ne suffit pas à faire avancer un traitement. Un programme doit sélectionner une cible pertinente, choisir une stratégie thérapeutique capable d'agir dessus, concevoir un candidat avec les bonnes propriétés, puis vérifier sa stabilité, sa fabrication et son innocuité.
Ensuite viennent la documentation qualité, les dossiers adressés aux autorités, la conception des essais et les décisions de poursuite. Autrement dit, c'est une chaîne de tâches liées entre elles. Une molécule « prometteuse » ne compense pas un problème de fabrication ou un protocole clinique mal calibré. Et, inversement, réduire le temps consacré à des tâches administratives peut libérer des marges pour le travail scientifique, sans changer la biologie du médicament.
Une approche par goulots d'étranglement
L'idée d'Anthropic n'est pas de chercher une solution unique, mais d'intégrer Claude à différents points du processus. Les blocages varient selon la maladie, la modalité thérapeutique, le stade du programme et la façon dont l'équipe est organisée. Pour savoir où l'IA aide vraiment, il faut la confronter à des contraintes concrètes, pas seulement à des exercices isolés.
Les partenariats couvrent plusieurs fonctions : conception de nouvelles approches thérapeutiques avec Generate Biomedicines et Divergence Labs, optimisation de candidats avec BigHat Biosciences, traitement de documents avec Enveda, création d'entreprise avec The Column Group, et planification clinique avec Bristol Myers Squibb. Anthropic mène aussi des recherches internes sur des formes rares de dystrophie musculaire.
Pourquoi les partenariats comptent
Cette diversité sert à plusieurs choses : tester le modèle sur des tâches différentes, repérer ce qui doit être amélioré et produire des cas utilisables par d'autres équipes. Il y a aussi une hypothèse économique : si l'IA réduit les coûts scientifiques et opérationnels, alors des équipes pourraient envisager plus de programmes risqués, ou traiter davantage avec des ressources limitées.
Mais l'outil ne remplace pas l'expertise expérimentale. Les biologistes fixent les critères, les laboratoires fabriquent et testent, puis les spécialistes interprètent les résultats. La valeur se juge dans une boucle complète : proposition, expérience, retour des données et ajustement. Une interface qui « suggère » de bonnes pistes ne constitue pas, à elle seule, une preuve de validité biologique.
Ce que montrent les premiers projets de conception
Générer des candidats ne suffit pas
Divergence Labs travaille sur une approche contre les allergies alimentaires. Le but est de détacher l'IgE des cellules immunitaires, là où les traitements classiques visent surtout l'IgE circulant dans le sang. Le médicament envisagé doit remplir deux fonctions : se lier à l'IgE et aider à la retirer de la cellule. Claude aurait contribué à transformer ce cahier des charges en plan de conception, puis à générer environ 35 000 propositions d'anticorps en un mois.
Les tests préliminaires auraient identifié trois propositions capables de se lier à l'IgE et vingt capables de la déloger. Parmi ces dernières, trois auraient obtenu un résultat supérieur à celui du médicament de référence utilisé dans les essais rapportés. La suite consiste à combiner les deux fonctions dans un même candidat. À ce stade, on parle d'une sélection initiale : il reste à fabriquer, caractériser et évaluer le médicament complet.
Optimiser une thérapie et ses propriétés
Generate Biomedicines explore l'amélioration d'une thérapie par cellules CAR-T, utilisée notamment contre certains cancers du sang. L'équipe cherche à adapter l'approche aux tumeurs solides en raccourcissant une partie des instructions génétiques de la thérapie, afin de laisser de la place pour d'autres instructions. Avec Claude Code, six scientifiques ont proposé de nouveaux designs. L'un d'eux aurait été environ 70 % plus court que la version standard.
Dans les tests en laboratoire rapportés, les cellules immunitaires produisaient environ dix fois plus de récepteurs, tuaient les cellules tumorales plus efficacement et restaient actives plus longtemps. Ce sont des signaux utiles pour orienter la recherche, mais ça ne prouve ni l'efficacité clinique ni la sécurité d'un traitement complet chez l'humain. Il faut distinguer l'amélioration d'un composant expérimental de la réussite d'une thérapie pour les patients.
BigHat Biosciences s'est concentrée sur deux fragments d'anticorps et trois propriétés pratiques : la capacité à se lier à la cible, la stabilité et la tendance à s'agglomérer. Claude, connecté aux données du laboratoire automatisé de l'entreprise, aurait proposé des modifications. Environ 1 010 variantes auraient été fabriquées et testées en dix semaines.
Les équipes ont aussi constaté que certaines mesures standard de stabilité thermique et d'agglomération pouvaient tromper. Elles ont réanalysé les données brutes, proposé d'autres indicateurs et ajusté le protocole. D'après les résultats communiqués, les meilleures variantes se lieraient plus de dix fois mieux, un des candidats resterait en solution jusqu'à 18 °C de plus, et un autre s'agglomérerait plus de cent fois moins vite. Le point clé n'est pas seulement de générer vite : c'est aussi de savoir corriger quand les métriques ne décrivent pas bien le problème réel.
Quelles limites et conditions pour passer à l'échelle
Des résultats surtout précliniques
Anthropic précise que ses travaux restent à un stade précoce. La plupart des programmes décrits ne testent pas encore de médicaments chez l'humain. Entre un résultat en laboratoire et un traitement disponible, il y a encore des étapes longues : réplication, caractérisation, études de sécurité, essais cliniques, examen réglementaire et capacité à fabriquer le produit de façon constante.
Le programme de Mithril Medicine illustre bien ce double aspect : potentiel opérationnel et distance avec la clinique. Anthropic a acquis l'entreprise fondée par une personne ayant utilisé Claude pour coordonner des contrats, de la logistique et des expériences avec onze laboratoires externes. Un candidat contre une forme rare de dystrophie musculaire aurait atteint des résultats jugés prometteurs chez la souris en moins de 18 mois. Anthropic estime qu'un candidat pourrait être prêt pour des essais humains dès la fin de 2028, si les résultats continuent de se confirmer. Le calendrier reste une projection, pas une garantie.
La qualité dépend des données et des expériences
Un modèle peut produire vite des hypothèses, mais il ne rend pas automatiquement fiables des données incomplètes, des mesures mal choisies ou un protocole expérimental faible. Le cas de BigHat montre justement pourquoi la boucle de validation compte : l'équipe a dû revoir ses indicateurs de départ et modifier ses tests avant de pouvoir interpréter correctement les résultats.
Pour une organisation, le critère pertinent n'est donc pas le nombre de propositions générées. Il faut regarder la proportion d'hypothèses utiles, le coût et le temps nécessaires pour les tester, la reproductibilité et l'impact sur les décisions du programme. Un système qui génère des milliers de candidats sans capacité de validation peut déplacer le goulot d'étranglement, au lieu de le supprimer.
Sécurité, gouvernance et responsabilité
Les données de recherche et développement sont souvent confidentielles, parfois sensibles sur le plan commercial ou personnel. L'usage des modèles doit s'inscrire dans des règles claires : quelles données peuvent être traitées, où elles sont conservées, qui peut accéder aux sorties et comment les décisions sont documentées. Pour les organisations européennes, ces questions doivent être évaluées au regard des exigences applicables en matière de confidentialité, de sécurité et de protection des données, notamment le RGPD si des données personnelles sont concernées.
Anthropic indique avoir mis en place un programme de vérification, destiné à permettre à des organisations de recherche approuvées d'utiliser ses modèles avec des garde-fous adaptés. Là encore, ce n'est pas une formalité : des protections trop faibles ouvrent la porte à des usages détournés, tandis que des restrictions trop strictes peuvent compliquer la recherche légitime. Dans tous les cas, la responsabilité des décisions scientifiques et cliniques reste du côté des équipes et des institutions qui les prennent.
Conclusion
Les premiers projets d'Anthropic dessinent une approche plus large que l'IA utilisée pour imaginer des molécules : Claude intervient aussi dans l'optimisation, la documentation, la planification clinique et l'organisation des programmes. Les gains rapportés existent, mais ils sont concrets et surtout localisés. Pour l'instant, la majorité des candidats restent loin d'une validation chez l'humain.
Pour les acteurs de la santé, la question utile n'est pas de savoir si l'IA va remplacer les chercheurs. Elle consiste plutôt à repérer les tâches où un modèle réduit vraiment le temps ou le coût, sans dégrader la qualité des preuves. Cela suppose des expériences vérifiables, une supervision compétente et des règles de gouvernance claires. C'est à cette échelle, programme par programme, que l'impact médical et économique pourra être évalué.
Comment l'IA intervient dans la fabrication et les essais
Réduire une charge documentaire mesurable
Le développement d'un médicament implique une quantité importante de documents qualité et réglementaires. Chez Enveda, des chimistes consacraient, selon l'entreprise, jusqu'à 75 % de leur temps à la documentation. L'équipe a construit un système reliant les documents de fabrication à Claude, pour signaler des incohérences ou des points à vérifier.
Sur 1 061 pages examinées, Claude aurait repéré les onze problèmes identifiés par des évaluateurs humains, et sept autres que ces évaluateurs n'auraient pas vus. La méthode aurait réduit de 89 % le temps de revue humaine, de plus de 25 heures à moins de trois. Claude aurait aussi produit les premières versions de deux documents réglementaires importants : l'un en quatre heures, contre environ trois mois de travail manuel selon Enveda. Pour l'autre, la revue habituelle a détecté une erreur mineure.
Ces chiffres sont intéressants, mais il faut les lire correctement. Le modèle aide à préparer et vérifier des documents ; il ne devient pas l'autorité responsable de leur exactitude. Dans un cadre réglementaire, la validation humaine, la traçabilité des modifications et la gestion des versions restent indispensables. Le gain se fait surtout sur le déplacement du travail : moins de rédaction répétitive, plus de temps pour contrôler les points qui engagent l'entreprise.
Préparer les décisions cliniques
Bristol Myers Squibb utilise Claude pour analyser des plans d'essais cliniques précoces et estimer les chances de succès de différentes options. Selon Michael Pourdehnad, responsable du développement clinique précoce, une première analyse à partir d'instructions aurait aidé à comparer des pistes qui, autrement, auraient pris plusieurs jours. L'entreprise indique avoir mené ce travail avec des données sensibles, mais sécurisées.
L'intérêt, en pratique, tient à l'aide à la décision : organiser les informations, comparer des scénarios et expliciter les hypothèses derrière un plan d'étude. Et il faut garder une idée simple : une estimation de succès reste une estimation. Les essais dépendent de facteurs biologiques, cliniques et opérationnels qui ne disparaissent pas parce que l'analyse est plus rapide. Les partenaires prévoient d'étendre ce travail en 2027 pour évaluer plus largement son utilité pour les programmes précoces.
Repenser la capacité d'une petite équipe
The Column Group travaille à la création de Pleiades, une nouvelle entreprise visant à utiliser Claude pour mener plus de programmes de développement, y compris des projets complexes, avec une petite équipe. Son premier outil aurait été évalué sur 45 couples cible-maladie pour aider à déterminer si une cible mérite d'être suivie.
L'enjeu ne se limite pas à automatiser une tâche scientifique. Une jeune entreprise de biotech doit aussi gérer les opérations, les contrats, la coordination des laboratoires et les décisions d'investissement. Si l'IA réduit réellement cette charge sur la durée, elle pourrait changer le nombre de programmes qu'une équipe peut gérer. Reste toutefois à prouver le modèle économique : il faudra vérifier que la capacité gagnée ne se traduit pas simplement par plus de projets insuffisamment validés.