Trouver une molécule capable de se fixer précisément sur une protéine malade occupait jusqu'ici des ingénieurs pendant des semaines, parfois des mois, pour une seule cible. Anthropic affirme avoir changé cette donne avec sa famille de modèles Claude, associant Opus 4.8 et Mythos Preview. Confrontée à 15 cibles biologiques différentes, cette IA aurait produit des liants efficaces contre 14 d'entre elles en quelques dizaines d'heures. Un résultat qui, s'il se confirme à plus grande échelle, bouscule les repères d'une discipline où le taux de réussite dépasse rarement une molécule sur sept ou huit.
Ce que Claude a réellement produit en 48 heures
Les laboratoires Adaptyv Bio et Twist Bioscience, chargés de tester chaque candidat en conditions réelles, confirment un taux de succès pouvant atteindre un tiers des molécules proposées par l'IA. L'exemple le plus parlant concerne le TNFα, une protéine qui déclenche l'inflammation et que ciblent des traitements comme l'Humira. Le modèle Opus 4.8 y aurait réussi là où plusieurs équipes d'experts avaient échoué, en produisant des liants actifs chez l'humain, le singe et la souris à la fois. Parmi les autres cibles visées figurent PD-L1, une cible clé des immunothérapies utilisées contre certains cancers du poumon et certains mélanomes, et EGFR, une protéine impliquée dans de nombreux cancers du poumon.
Seconde démonstration, en chimie analytique : muni des fichiers bruts d'un laboratoire sous-traitant et d'une consigne tenant en deux phrases, Claude Opus 5, via l'environnement Claude Science, aurait restitué en moins de 25 minutes une analyse aussi fine que celle d'un chimiste chevronné, avec une mesure de pureté de 96,4 % contre 96,33 % calculé par le laboratoire, qui avait mis quatre jours à livrer son propre rapport.
Un précédent qui n'est pas isolé
Ce type d'accélération n'est pas inédit. En 2020, le candidat médicament DSP-1181, contre le trouble obsessionnel-compulsif, avait été développé conjointement par Sumitomo Dainippon Pharma et Exscientia en réduisant la phase de conception moléculaire à 18 mois, contre 12 ans habituellement. En 2023, Insilico Medicine a annoncé un médicament anti-fibrose pulmonaire conçu intégralement par IA et entré en phase 2 d'essai clinique, une première pour un composé généré de bout en bout par un algorithme.
| Étape | Méthode traditionnelle | Apport de l'IA rapporté |
|---|---|---|
| Conception moléculaire (DSP-1181) | Environ 12 ans | 18 mois |
| Recherche de liants sur 15 cibles (Claude) | Une réussite sur 7 à 8 candidats en moyenne | 14 cibles sur 15 avec des liants efficaces, jusqu'à un tiers de taux de succès |
| Analyse de pureté d'un échantillon | 4 jours (laboratoire sous-traitant) | Moins de 25 minutes (Claude Opus 5) |
| Développement complet d'un médicament | 10 à 15 ans, coût moyen de 2,6 milliards de dollars | Étape de découverte compressée, essais cliniques inchangés |
Le mur qui ne bouge pas : essais cliniques et validation humaine
Entre une molécule prometteuse conçue par une IA et un médicament vendu en pharmacie s'étendent encore 10 à 15 années d'essais cliniques. Ce délai obéit aux rythmes biologiques du corps humain, hors de portée de toute puissance de calcul. Le vrai changement se joue en amont : des mois de recherche computationnelle remplacent des années de tâtonnement en laboratoire, mais l'étape de vérification en conditions réelles, préclinique puis clinique, reste intégralement humaine. Sur 10 000 molécules candidates identifiées en laboratoire, une seule arrive historiquement sur le marché, un ratio que l'accélération de la phase de découverte ne modifie pas mécaniquement.
Ce que l'Europe prépare, et ce qui reste flou
Côté régulation, l'Agence européenne des médicaments (EMA) et la FDA américaine travaillent activement à des cadres permettant d'intégrer les données générées par IA dans les dossiers d'autorisation de mise sur le marché. Ce chantier est engagé mais son calendrier et son contenu précis ne sont pas détaillés dans les informations disponibles. Aucune source consultée ne mentionne de disposition spécifique du RGPD ou de l'AI Act européen applicable directement à la conception de molécules par IA générative, ni de texte réglementaire français dédié aux biotechs sur ce point. Il convient donc d'écrire que ces exigences réglementaires précises n'ont pas été communiquées dans les éléments disponibles, plutôt que de les anticiper.
Deux enjeux structurels ressortent en revanche clairement des retours d'expérience du secteur. Le premier concerne la qualité des données d'entraînement : la recherche biomédicale souffre d'un biais de surreprésentation de certaines populations et de sous-représentation de maladies rares ou tropicales, ce qui affecte directement la fiabilité des molécules proposées par un modèle. Le second touche à l'interprétabilité : quand une IA recommande une molécule, les chercheurs ne savent pas toujours pourquoi elle a fait ce choix, une opacité qui pose des problèmes réglementaires et éthiques sérieux pour toute autorité chargée d'évaluer un dossier.
Données de santé et modèles tiers : la vigilance qui s'impose aux laboratoires français
Un laboratoire ou une biotech qui confie des fichiers de laboratoire, des séquences génomiques ou des données issues d'essais précliniques à un modèle d'IA hébergé hors de France transmet ces informations à un fournisseur tiers. C'est précisément le cas décrit dans la démonstration d'Anthropic : les fichiers bruts d'un laboratoire sous-traitant ont été traités par Claude Opus 5 via l'environnement Claude Science. Pour une structure française manipulant des données de santé, la question de la circulation de ces informations vers des serveurs étrangers reste un point de vigilance opérationnel, indépendamment de la performance scientifique du modèle utilisé.
Des dispositifs de pseudonymisation permettent de limiter ce risque en amont de l'envoi vers des modèles tiers. Sur le marché français, Moon AI propose par exemple Moon Blur, un mécanisme qui remplace les données personnelles par des jetons avant leur transmission à des modèles externes, puis les rétablit au retour. Ce procédé étant réversible, il s'agit d'une pseudonymisation au sens de l'article 4-5 du RGPD, et non d'une anonymisation : les requêtes adressées aux modèles tiers partent bien chez leurs fournisseurs respectifs, après ce traitement. Ce type d'outil ne dispense pas un laboratoire de vérifier lui-même la conformité de son traitement de données de santé, catégorie particulièrement sensible au sens du RGPD, avant tout usage d'une IA générative sur des données patients ou des échantillons biologiques identifiables.
Une transformation des équipes de recherche plus que des molécules seules
Les experts cités dans les analyses disponibles s'accordent sur un point : l'IA ne remplace pas le biologiste ou le médecin, elle les augmente. Dans les années à venir, l'architecture des équipes de recherche et développement pharmaceutique devrait évoluer vers des profils hybrides, biologistes capables de lire un modèle de machine learning et data scientists comprenant la biochimie. Pour les biotechs françaises, cette évolution touche autant l'organisation interne que la conformité, puisque la capacité à documenter et tracer l'usage d'une IA dans un dossier de recherche devient un enjeu autant scientifique que réglementaire.
Questions fréquentes
Une molécule conçue par IA peut-elle être commercialisée plus rapidement en France ?
Non. Les sources disponibles indiquent qu'il reste 10 à 15 ans d'essais cliniques entre une molécule prometteuse conçue par IA et un médicament disponible en pharmacie. L'accélération se joue uniquement sur la phase de découverte computationnelle, pas sur la validation clinique.
Le RGPD s'applique-t-il aux données utilisées pour entraîner ou interroger ces IA ?
Les informations disponibles ne détaillent pas de disposition RGPD spécifique à la conception de médicaments par IA. Ce qui est certain, c'est que toute donnée de santé identifiable transmise à un modèle tiers relève du régime des données sensibles prévu par le RGPD, ce qui impose une analyse de conformité propre à chaque laboratoire.
L'AI Act européen encadre-t-il déjà ces usages en recherche pharmaceutique ?
Aucune des sources consultées ne précise de disposition de l'AI Act applicable spécifiquement à la conception moléculaire par IA générative. Seule l'EMA est mentionnée comme travaillant, avec la FDA américaine, à des cadres permettant d'intégrer des données générées par IA dans les dossiers d'autorisation de mise sur le marché.
Faut-il faire confiance à un taux de réussite d'un tiers annoncé par une entreprise d'IA ?
Le chiffre provient des tests menés par les laboratoires sous-traitants Adaptyv Bio et Twist Bioscience, cités par Anthropic. Il s'agit d'un résultat rapporté par ces acteurs, encore à confirmer par des publications indépendantes et par la suite du parcours préclinique et clinique.