Claude s'engage dans la conception de protéines et livre dès son premier essai un bilan brillant.
Tout juste, A a publié un nouveau billet de blog, détaillant le processus complet par lequel son Mythos et son Opus, main dans la main, ont courageusement pénétré la piste de l'IA4S.
En se rendant rapidement à la page des résultats, on constate qu'il y a effectivement du contenu intéressant :
Cette fois, Claude a conçu de novo 1320 candidats protéiques, ensuite confiés à un laboratoire externe pour production et validation.
Le résultat est que 354 ont réussi à se lier à leur cible, 14 cibles sur 15 atteintes, avec un taux de succès maximal de 35,1 %.
Il faut savoir que le taux de succès typique des projets actuels de conception de protéines n'est généralement que de 10 % à 15 %.
Encore plus impressionnant, après avoir conçu la nouvelle molécule, il n'avait pas encore fini sa journée.
Face aux fichiers bruts de RMN et LC-MS fournis par le laboratoire, Claude n'a eu besoin que de deux phrases d'instructions pour les traiter respectivement en 23 et 19 minutes.
La pureté finale mesurée de l'échantillon était de 96,4 %, le résultat donné par le laboratoire étant de 96,33 %.
Seulement 0,07 point de pourcentage d'écart.
Cela signifie que les résultats de Claude et ceux du laboratoire étaient remarquablement cohérents.
Pas de prédiction, mais une conception de protéines de novo
Dès qu'on mentionne les protéines, beaucoup pensent immédiatement au projet AlphaFold de Google DeepMind.
Précisons d'abord : AlphaFold prédit la structure des protéines, son cœur de métier est de résoudre « Étant donné une séquence d'acides aminés connue, en quelle structure se repliera-t-elle ? ».
La tâche confiée à Claude cette fois était très différente :
La protéine cible est là, veuillez concevoir de zéro une nouvelle protéine qui n'existait pas auparavant, capable de s'y coller avec précision.
Ce que Claude devait concevoir s'appelle un minibinder, c'est-à-dire une protéine de liaison miniature.
Selon les informations publiques disponibles, un minibinder est une petite protéine artificiellement conçue, généralement composée de seulement 50 à 70 acides aminés, de structure compacte et de fonction unique.
Sa mission est pure : coller, avec une précision et une intensité extrêmement élevées, à un site spécifique sur la protéine cible.
Il ne faut pas sous-estimer cette action de « collage », car l'efficacité de nombreux médicaments repose sur cette liaison moléculaire précise –
Coller à une mauvaise protéine pour la rendre inerte, ou coller à une bonne protéine pour l'activer, ou encore traîner directement une molécule de médicament vers le site pathologique pour libération.
Le problème, c'est que ce travail est assez éprouvant.
Le concepteur de protéines doit non seulement orchestrer une série de modèles spécialisés, mais aussi générer, optimiser et sélectionner des candidats de manière itérative, un processus qui exige beaucoup d'expérience.
Pour chaque cible, un expert doit passer des semaines, voire des mois, à cribler un grand nombre de molécules candidates pour en retenir quelques-unes qui soient réellement efficaces.
Anthropic a cette fois carrément confié toute la boîte à outils à Claude.
Les participants à l'expérience étaient Mythos Preview et Opus 4.8, qui peuvent accéder à des articles, des ressources en ligne et plusieurs modèles protéiques spécialisés, et ont également bénéficié de ressources de calcul GPU suffisamment importantes.
Après avoir donné la tâche initiale, Claude s'est exécuté de manière autonome. Le résultat global est le suivant :
Claude a atteint 14 des 15 cibles, avec au moins 6 produisant des protéines de liaison à haute affinité, et au moins 4 égalant ou surpassant les meilleurs résultats précédents.
La méthode d'exécution s'est divisée en deux modes :
Mode multi-cibles : Claude traite simultanément plusieurs cibles dans une même tâche de 48 heures, pouvant utiliser jusqu'à 12500 heures GPU H100.
Mode mono-cible : se concentre sur une seule cible à la fois, chaque tâche s'exécutant en parallèle pendant 24 heures, chaque cible pouvant utiliser jusqu'à 2500 heures GPU H100.
L'expérience prouve que la concentration est effectivement meilleure que le multitâche.
En mode multi-cibles, les taux de succès globaux de Mythos Preview et Opus 4.8 étaient respectivement de 26,7 % et 22,6 %.
En passant au mode mono-cible, Mythos Preview a directement grimpé à 35,1 %.
Les performances sur certaines cibles ont même dépassé les résultats humains précédents.
Par exemple, RBX1, une cible impliquée dans la régulation de la dégradation des protéines. Lors d'un concours de conception organisé précédemment par Adaptyv Bio, le taux de succès global de tous les participants n'était que de 3,7 %, tandis que Mythos Preview, en la défiant seul, a atteint un taux de 40 %.
Non seulement il a atteint la cible plus facilement, mais le design numéro un de Claude était une protéine de liaison à haute affinité, dont la force de liaison dépassait celle du gagnant sélectionné parmi 245 conceptions participantes à ce concours.
Il y a aussi TNFα, plus difficile à cibler, une protéine de signalisation inflammatoire libérée par le système immunitaire.
Comme le site de liaison approprié est caché dans un sillon formé par deux protéines, plusieurs équipes d'experts s'y étaient précédemment cassé les dents.
Résultat, Mythos Preview n'a pas réussi ce problème, mais Opus 4.8 l'a résolu :
Opus 4.8 a non seulement conçu plusieurs protéines de liaison efficaces, dont certaines peuvent se lier simultanément au TNFα humain, du macaque crabier et de la souris.
Cette capacité de liaison inter-espèces est cruciale, car lors des expériences animales ultérieures, il ne sera pas nécessaire de tout redessiner pour chaque espèce.
Cependant, une question se pose alors :
Pourquoi Mythos Preview, globalement plus puissant, a échoué, alors qu'Opus 4.8 a réussi ?
A avoue ne pas avoir compris non plus.
On peut simplement dire que les capacités de recherche des grands modèles ne sont toujours pas uniformes.
Lorsque Claude a continué à défier des structures en feuillet β plus difficiles à concevoir, il a réussi à produire 15 protéines de liaison efficaces sur 6 cibles.
Mais en passant à la protéine de liaison au maltose MBP, Claude a complètement échoué –
Sur 90 conceptions, aucune n'a été confirmée comme réussie, une seule montrant un signal faible.
Donc, il est encore trop tôt pour dire « entrez la cible, Claude peut automatiquement cracher un nouveau médicament », mais Claude a prouvé :
Il peut orchestrer de manière autonome des modèles spécialisés et exécuter le processus de conception qui nécessitait auparavant que des experts consacrent beaucoup de temps à l'organisation et au criblage.
Cette étape est déjà importante.
Après avoir conçu la nouvelle molécule, Claude s'est mis à lire les données expérimentales
Cependant, l'expérience de A ne s'est pas arrêtée là.
Outre vérifier si Claude peut concevoir de nouvelles choses, ils voulaient aussi voir :
Face à un composé déjà synthétisé, Claude peut-il interpréter de manière indépendante les données expérimentales pour déterminer ce qu'il est exactement et s'il est pur.
Cette fois, c'est Claude Opus 5, utilisable universellement, qui est entré en scène.
La tâche provenait de deux travaux très courants et fastidieux en chimie analytique :
La spectroscopie par résonance magnétique nucléaire (RMN) : observer le signal des atomes d'hydrogène dans la molécule pour confirmer « si ce qui a été produit est la molécule cible ».
L'analyse par chromatographie en phase liquide couplée à la spectrométrie de masse (LC-MS) : séparer les différents composants de l'échantillon, puis mesurer leur masse moléculaire et leur teneur pour déterminer « la pureté de l'échantillon et ce qu'il contient d'autre ».
Ce travail nécessite que le chimiste traite manuellement les données brutes dans des formats propriétaires, procède étape par étape au calibrage, à la recherche des pics, à l'intégration, à la vérification, pour finalement rédiger un rapport.
Les étapes sont nombreuses et très tributaires de l'expérience ; un léger écart peut conduire à des conclusions erronées.
Anthropic n'a cette fois donné à Claude que les fichiers bruts renvoyés par le laboratoire, ainsi qu'une description de la tâche en deux phrases.
Pas de logiciel du fabricant, pas de personnel opérationnel pour guider à côté (p.s. les données et prompts correspondants ont été open-sourcés).
Résultat, Claude a respectivement terminé les analyses RMN et LC-MS en 23 et 19 minutes.
Pour la RMN, Claude a organisé 18 pics de signal et calculé le nombre d'atomes d'hydrogène correspondant à chaque pic, l'erreur par rapport au laboratoire n'excédant pas 0,08 atome d'hydrogène.
Il a également découvert que 4 des pics larges pouvaient provenir d'hydrogènes liés à l'azote ou à l'oxygène, et a donc suggéré d'ajouter de l'eau lourde pour une validation plus poussée.
C'est une méthode d'exclusion courante ; après ajout d'eau lourde, le signal de certains atomes d'hydrogène spécifiques s'atténue ou disparaît, permettant aux chimistes de déduire la structure moléculaire.
Par coïncidence, le laboratoire a plus tard effectué la même validation.
Après validation, Claude pensait initialement que les 4 signaux avaient tous disparu, mais en s'auto-vérifiant, il a constaté que ce n'était pas correct, a activement corrigé en précisant que seulement deux avaient disparu, aboutissant à une conclusion conforme à celle du laboratoire.
Pour la LC-MS, c'est plus direct.
Face à un fichier du fabricant sans documentation de format public, Claude a d'abord compris par lui-même comment les données étaient encodées, puis, en reproduisant l'intégralité des 2664 enregistrements de balayage, a confirmé que le fichier n'avait pas été mal lu.
Ensuite, il a fourni le chromatogramme, le spectre de masse, le tableau de pureté et la masse moléculaire, et a même écrit un jeu de code d'analyse réutilisable.
Finalement, Claude a mesuré une pureté de l'échantillon de 96,4 %, le résultat du laboratoire étant de 96,33 %.
Seulement 0,07 point de pourcentage d'écart.
A écrit dans sa conclusion :
Les deux expériences pointent vers une même chose : l'IA réduit le niveau d'expertise, le coût et le temps requis pour la recherche en sciences de la vie. Dans l'analyse chimique, Claude commence à prendre en charge les travaux de traitement qui dépendaient auparavant du travail manuel ; dans la conception de protéines, Claude peut réaliser de bout en bout la conception de ligands avec des intrants minimaux, certains résultats égalant ou dépassant même les meilleures conceptions précédentes.
Bien que la véritable recherche de nouveaux médicaments soit encore lointaine, au moins l'IA nous a permis d'entrevoir la possibilité d'accélérer ce processus.
Il reste aussi un bonus
À la fin du billet de blog, A a également mis en lumière un point important pour les scientifiques.
Cette expérience protéique utilisait Mythos Preview et Opus 4.8. Quant à Fable 5, plus puissant, il n'est actuellement pas ouvert à ce type de tâches en sciences de la vie pour les utilisateurs ordinaires.
La raison est directe : pouvoir concevoir des protéines médicamenteuses pourrait également être utilisé pour des recherches biologiques dangereuses.
Cependant, A a déjà annoncé qu'il préparait un programme d'accès exclusif destiné aux scientifiques, et que plus d'informations seront publiées ultérieurement.
Rapport technique complet : https://www-cdn.anthropic.com/30bf50e22a01388bb29bf077ee3f244531594b7a.pdf
Adresse des prompts et données open-sourcés : https://huggingface.co/datasets/Anthropic/claude-protein-binder-design/tree/main
Liens de référence :
[1]https://www.anthropic.com/research/Claude-accelerates-protein-design
[2]https://x.com/AnthropicAI/status/2089842387845804246
Cet article provient du compte WeChat public « 量子位 », auteur : 一水
