Contexte et objectifs
Anthropic a mobilisé son équipe Life Sciences autour de Claude, un modèle de langage spécialisé, afin d’intégrer l’IA dans l’ensemble du cycle de développement pharmaceutique. Six partenaires – BigHat Biosciences, Bristol Myers Squibb, Divergence Labs, Enveda, Generate Biomedicines et The Column Group – ont été impliqués sur des projets couvrant la découverte de cibles, la conception moléculaire, l’optimisation de fabrication, la rédaction de dossiers réglementaires et la conception d’essais cliniques. L’objectif déclaré est d’identifier les goulets d’étranglement distribués le long du processus et d’ajuster le modèle en fonction des retours concrets.
Études de cas techniques
Generate Biomedicines a utilisé Claude Code pour raccourcir d’environ 70 % une séquence génétique clé du CAR‑T, libérant ainsi de l’espace pour de nouvelles instructions. Les tests in vitro ont montré une production d’environ 10 fois plus de récepteurs et une cytotoxicité accrue contre les tumeurs solides, tout en prolongeant la persistance des cellules immunitaires.
Divergence Labs a confié à Claude la génération d’environ 35 000 variantes d’anticorps en un mois, afin de créer un dispositif à deux bras capable de détacher l’IgE des cellules immunitaires. Les premiers dépistages ont identifié trois anticorps capables de se lier à l’IgE et vingt capables de le libérer, dont trois surpassaient l’efficacité du traitement de référence.
BigHat Biosciences a couplé Claude au système de laboratoire automatisé Reccy. En dix semaines, plus de 1 010 variantes d’anticorps ont été synthétisées et évaluées. Les meilleures versions ont affiché un affinité supérieure à 10 fois, une stabilité thermique augmentée de 18 °C et une propension à l’agrégation réduite de plus de 100 fois par rapport aux candidats initiaux.
Enveda a intégré Claude dans la chaîne documentaire de fabrication. Sur un corpus de 1 061 pages, Claude a détecté les 11 anomalies déjà repérées par les humains et a ajouté 7 nouvelles alertes. Le temps de révision humaine est passé de plus de 25 heures à moins de trois, soit une réduction de 89 %.
Analyse des performances et limites
Les résultats montrent que Claude peut produire des conceptions moléculaires nettement plus compactes et fonctionnelles, tout en automatisant la revue documentaire à grande échelle. Cependant, chaque étude souligne la nécessité d’une validation expérimentale approfondie : les gains d’affinité ou de stabilité restent conditionnels aux protocoles de laboratoire et aux critères de mesure. De plus, la génération massive d’anticorps (35 000) nécessite des filtres de sélection robustes pour éviter les faux positifs, ce qui implique des cycles itératifs de test‑et‑apprentissage. Enfin, l’intégration avec des systèmes internes (ex. Reccy) expose le modèle à des dépendances de format de données et à des exigences de conformité réglementaire qui ne sont pas encore entièrement automatisées.
