La découverte d’enzymes par Anthropic Claude évoque CRISPR, mais sa fonction reste inconnue

Anthropic affirme que Claude a trouvé de manière autonome un système enzymatique jusqu’alors non caractérisé après qu’environ 950 sessions d’agents ont exploré des données biologiques pendant 21 heures. La découverte d’enzymes par Anthropic Claude ressemble à CRISPR sur un aspect structurel important, mais aucune expérience n’a démontré qu’elle modifie des gènes.

Cette distinction sépare une piste scientifique intrigante de l’outil suggéré par certains premiers titres. Anthropic appelle ce système les transcriptases inverses associées à des réseaux, ou ART. Ses chercheurs ont identifié des gènes de transcriptase inverse à côté de réseaux d’ADN répétitif dans des bactériophages, des virus qui infectent les bactéries.

Ce résultat constitue la première découverte publique d’Anthropic issue d’un groupe de recherche en sciences de la vie formé au printemps 2026. Il met aussi à l’épreuve une proposition plus large : des agents d’IA généralistes peuvent-ils repérer des anomalies biologiques, les approfondir et remettre aux scientifiques des candidats qui méritent d’être testés ? Claude a réussi ce test une fois, mais n’a pas réussi à redécouvrir le réseau déterminant lors de dix exécutions ultérieures de la campagne.

Ce que la découverte d’enzymes par Anthropic Claude a réellement identifié

Claude a trouvé une nouvelle organisation biologique, pas un remplacement opérationnel de CRISPR.

Anthropic a annoncé ce résultat le 23 septembre 2026, parallèlement à l’ouverture de son nouveau laboratoire de biologie moléculaire dans la baie de San Francisco. Selon l’annonce du système enzymatique de l’entreprise, le laboratoire réalise des travaux à plus faible risque de niveau BSL-1 et BSL-2. Des scientifiques humains effectuent chaque expérience physique.

La campagne informatique a commencé par un brief de recherche général. Claude devait rechercher des systèmes inhabituels de transcriptase inverse. Une transcriptase inverse, ou RT, est une enzyme qui copie l’ARN en ADN.

Les agents ont assemblé plus de 198 000 groupes de RT et examiné des milliers de familles de protéines voisines. La campagne complète a consommé 215,6 millions de tokens répartis sur 949 sessions d’agents, selon le rapport technique sur ART d’Anthropic. Elle s’est déroulée sur 21,5 heures de temps écoulé et a représenté 77 heures-agents au total.

Le résumé public d’Anthropic arrondit ces chiffres à environ 200 000 RT, 950 agents et 210 millions de tokens. Ces nombres décrivent l’ampleur de la recherche. Ils n’établissent pas que 950 scientifiques IA indépendants ont étudié le problème simultanément.

Les « agents » étaient des sessions de modèles coordonnées au moyen d’une infrastructure de recherche. Une session pouvait planifier une tâche, une autre la vérifier, et chacune pouvait ouvrir des tâches de suivi. Cette structure a permis à Claude d’explorer plusieurs pistes sans qu’un scientifique ne dirige chaque décision intermédiaire.

Le brief initial ciblait de nouveaux gènes partenaires situés à côté des transcriptases inverses. Claude a évalué 3 564 familles de protéines comme partenaires possibles, puis mené des investigations plus approfondies. Trois associations ont survécu à l’examen en tant que relations de RT jusque-là non signalées.

ART a émergé par une voie plus inhabituelle. Un agent a étudié une lignée de transcriptases inverses associée à des phages géants, des bactériophages dont les génomes sont particulièrement volumineux. L’association protéique attendue paraissait peu convaincante, mais l’agent a poursuivi l’exploration de la région génomique environnante.

Il a chargé l’ADN brut en amont dans son contexte de travail et a repéré un réseau de répétitions en tandem. Un locus contenait 14 copies d’une répétition de 16 nucléotides, séparées par des segments uniques mesurant environ 100 à 200 nucléotides.

Cette organisation évoquait CRISPR, car les systèmes CRISPR utilisent eux aussi des séquences d’ADN répétées séparées par des séquences variables. Les cellules transcrivent ces réseaux en ARN plus courts, qui peuvent guider des protéines associées à CRISPR vers un matériel génétique correspondant.

Les travaux de laboratoire d’Anthropic ont montré que les réseaux ART sont eux aussi transcrits en ARN courts distincts. Dans un jeu de données portant sur un bactériophage de Staphylococcus, l’ARN issu du réseau a atteint jusqu’à 8 % de l’ARN du phage 15 minutes après l’infection.

Les chercheurs ont identifié 95 groupes distincts de RT liés à ART dans des phages cultivés et des séquences virales prédites. Vingt-huit comportaient un réseau de répétitions détectable situé en amont. Le système combinait généralement trois éléments : une transcriptase inverse, un gène partenaire adjacent et un réseau de répétitions d’ADN régulièrement espacées.

Ces observations étayent l’affirmation selon laquelle ART est un système biologique jusque-là non caractérisé. Elles ne révèlent pas ce que fait ce système. Les chercheurs d’Anthropic n’ont pas démontré que la transcriptase inverse est active, qu’elle utilise les ARN courts comme substrats ou qu’ART cible d’autres séquences génétiques.

La possibilité la plus intéressante reste donc ouverte plutôt qu’établie. ART pourrait représenter un autre système moléculaire programmable, ou son architecture semblable à CRISPR pourrait remplir un rôle très différent au sein des phages.

Pourquoi la comparaison avec CRISPR est importante

La comparaison importe parce que CRISPR a lui aussi commencé comme un motif répétitif inexpliqué, et non parce qu’ART effectue déjà de l’édition génétique.

Les scientifiques ont rencontré pour la première fois ce qui allait devenir CRISPR en examinant un gène d’Escherichia coli en 1987. Ils ont remarqué une série inhabituelle de séquences d’ADN répétées, sans en comprendre la fonction. La séquence CRISPR originale90183-4) est apparue des années avant que les chercheurs ne relient ces répétitions à l’immunité microbienne.

Le terme CRISPR est apparu en 2002. Des études ultérieures ont établi que les bactéries et les archées stockent des fragments de matériel génétique viral entre les répétitions. L’ARN copié depuis ces régions aide les protéines associées à reconnaître et attaquer les envahisseurs correspondants.

Les chercheurs ont finalement adapté ce mécanisme à l’édition programmable du génome. La leçon historique n’est pas que chaque réseau de répétitions devient une plateforme de biotechnologie. C’est qu’un motif génomique étrange peut signaler une machinerie dont l’importance ne devient claire qu’après des années de travail expérimental.

ART partage une partie de cette grammaire visuelle. Ses unités répétées sont séparées par des séquences variables, et le réseau produit de courts ARN. Ces caractéristiques justifient d’examiner si les ARN guident ou programment une autre activité moléculaire.

Plusieurs différences affaiblissent également toute équivalence directe. Le rapport technique n’a trouvé aucun gène cas à proximité, lesquels codent les protéines essentielles aux systèmes CRISPR établis. Les espaceurs ART semblent également conservés parmi des phages apparentés, alors que les espaceurs CRISPR varient généralement lorsque les microbes rencontrent différents virus.

ART repose sur une transcriptase inverse plutôt que sur une nucléase associée à CRISPR connue. Une nucléase coupe les acides nucléiques, tandis qu’une transcriptase inverse copie l’ARN en ADN. Cette différence signifie qu’ART pourrait participer à la modification du génome sans fonctionner comme les outils CRISPR familiers.

Feng Zhang, chercheur au Broad Institute et au MIT qui a contribué au développement de l’édition génomique CRISPR, a examiné le préprint avant l’annonce d’Anthropic. Il a décrit les réseaux de répétitions d’ARN associés aux transcriptases inverses comme véritablement intrigants et a déclaré qu’ils méritaient une enquête approfondie.

Sa réaction confirme l’intérêt scientifique de cette découverte. Elle ne constitue pas une confirmation expérimentale indépendante. Aucun laboratoire extérieur n’a encore publié de preuves établissant la fonction ou la programmabilité d’ART.

La comparaison fonctionne donc mieux comme une carte de recherche. CRISPR donne aux scientifiques une raison de se demander si les ARN issus des répétitions d’ART encodent des cibles, guident une enzyme ou enregistrent de l’information. Il ne fournit pas les réponses.

Un autre groupe de recherche a signalé des réseaux d’ARN non codants à côté d’une autre famille de transcriptases inverses. Son préprint de fouille génomique a utilisé un modèle de langage génomique spécialement conçu pour identifier des motifs structurels liés.

Ce parallèle importe, car il suggère que les transcriptases inverses liées à des répétitions ne constituent peut-être pas un accident isolé. Des architectures similaires pourraient avoir évolué à plusieurs reprises, peut-être parce qu’elles résolvent un problème biologique récurrent.

Les mêmes éléments rendent aussi l’affirmation d’Anthropic moins unique. La fouille de génomes assistée par l’IA était déjà appliquée à des éléments non codants obscurs et aux protéines qui leur sont associées. La contribution de Claude tient en partie à l’utilisation d’un modèle généraliste et d’une infrastructure d’agents plutôt que d’un système conçu pour une tâche génomique unique.

La découverte d’enzymes par Anthropic Claude est convaincante parce que le modèle semble avoir remarqué le réseau déterminant sans qu’une consigne lui demande de rechercher des répétitions. Le brief de recherche ciblait les gènes partenaires des RT, et l’agent a suivi la piste du réseau après avoir approfondi une voie initialement écartée.

Cela ressemble à une sérendipité scientifique. Un chercheur cherche une relation, trouve une anomalie et change de direction. La question de savoir si l’IA peut produire ce schéma de manière fiable est désormais plus importante que celle de savoir si une transcription réussie paraît humaine.

Le véritable enjeu oppose une découverte fiable à une attention fortuite

Le résultat le plus solide d’Anthropic est que Claude a reconnu l’anomalie ; sa plus grande faiblesse est que le système a rarement regardé au bon endroit.

La campagne de découverte était autonome dans un sens limité mais significatif. Une fois le brief initial fourni par les chercheurs, l’infrastructure a fonctionné sans intervention humaine pendant plus de 21 heures. Claude a organisé les tâches, construit des recherches informatiques, écarté les candidats faibles et ouvert des investigations de suivi.

Aucun scientifique n’a demandé à l’agent ayant réussi d’inspecter un réseau de répétitions. Le modèle a chargé de manière indépendante la séquence en amont, décrit le motif, écrit du code d’analyse, comparé la structure à des systèmes connus et préparé un rapport pour examen humain.

C’est plus que résumer des articles ou proposer une expérience familière. Le système est passé d’un objectif général à une observation qui n’était pas précisée dans la tâche d’origine.

Toutefois, Anthropic a relancé la même campagne dix fois après la découverte initiale. Aucune de ces réexécutions n’a redécouvert le réseau.

Plusieurs réexécutions ont échantillonné des séquences liées à ART, et deux ont étudié la lignée pertinente. Les agents n’ont malgré tout pas chargé la région d’ADN en amont contenant les répétitions. Claude pouvait reconnaître la caractéristique, mais le flux de travail ne l’exposait pas systématiquement au modèle.

Cette distinction modifie l’interprétation de l’expression « découverte autonome ». L’exécution réussie montre que le modèle possède des capacités utiles de reconnaissance de motifs et de suivi. Les dix échecs montrent que le système d’agents qui l’entoure ne peut pas encore assurer une couverture fiable.

Anthropic a mené des tests plus contrôlés afin d’isoler la reconnaissance du comportement de recherche. Les chercheurs ont fourni à sept modèles Claude des données liées à ART à cinq niveaux de détail, directement dans le prompt ou via des fichiers et des outils.

Les modèles les plus performants ont identifié le réseau dans au moins 90 % des essais lorsque les séquences pertinentes étaient placées directement dans le contexte. Les performances ont baissé lorsque les modèles devaient localiser et lire les séquences via des outils. Dans certaines conditions, la reconnaissance est tombée jusqu’à 32 %.

Dans 39 % des tentatives fondées sur des fichiers, le modèle n’a jamais lu un segment continu d’au moins 200 nucléotides. Il a donc vu trop peu de séquence brute pour reconnaître plus d’une unité répétée.

Le goulot d’étranglement ne relevait pas seulement du raisonnement biologique. Il concernait la gestion de l’attention au sein d’un flux de travail ouvert.

Un agent dispose de temps, de contexte et de ressources informatiques limités. Il doit décider quels fichiers ouvrir, quelles régions inspecter et quelles anomalies méritent une tâche supplémentaire. Même un modèle capable peut manquer une découverte si ses outils résument les éléments de preuve décisifs.

Cela crée un benchmark plus concret pour la science assistée par IA. Un système de découverte utile doit faire davantage qu’identifier un motif lorsque les chercheurs le placent sous ses yeux. Il doit parcourir de manière répétée un vaste espace de recherche et décider d’examiner les bonnes preuves.

Les logiciels scientifiques traditionnels traitent souvent ce problème au moyen de pipelines déterministes. Les chercheurs définissent des recherches explicites de séquences répétées, de domaines protéiques, de voisinages conservés ou de relations évolutives. Ces méthodes sont limitées, mais leur comportement est constant.

Un agent d’IA généraliste offre un avantage différent. Il peut combiner revue de littérature, génération de code, analyse de séquences, formulation d’hypothèses et interprétation écrite. Il peut aussi changer de direction lorsqu’un résultat contredit son attente initiale.

Le compromis est la variabilité. Deux exécutions peuvent emprunter des voies différentes même si elles reçoivent le même brief. Une session peut examiner l’ADN brut, tandis qu’une autre peut accepter un résumé et passer à la suite.

Le résultat d’Anthropic met donc sous pression à la fois les laboratoires d’IA et les développeurs de logiciels scientifiques. Les agents généralistes doivent devenir plus reproductibles. Les outils spécialisés doivent devenir plus faciles à sélectionner et à orchestrer par les agents, sans perdre l’accès aux preuves brutes.

Un système plus robuste combinerait les deux approches. Des contrôles déterministes pourraient obliger les agents à examiner des fenêtres de séquences minimales, à exécuter des logiciels de détection de répétitions et à préserver les preuves intermédiaires. Le modèle de langage pourrait alors se concentrer sur la sélection des hypothèses et le rapprochement de résultats inattendus.

Cela ressemble à un bon travail de connaissance en dehors de la biologie. Un système d’IA produit de meilleures analyses lorsqu’il peut conserver les sources, examiner les données sous-jacentes et relier les conclusions entre les tâches. Une base de connaissances IA structurée ne peut pas remplacer le jugement d’un expert, mais elle peut réduire le risque qu’une preuve décisive disparaisse dans un résumé.

Pour Anthropic, la fiabilité importe désormais davantage qu’un autre grand nombre d’agents. Transformer une réussite sur onze campagnes en un résultat reproductible renforcerait bien davantage l’argument en faveur de la recherche autonome que l’extension de l’essaim.

Le laboratoire humide précise l’affirmation sans la trancher

Les expériences physiques ont confirmé que les réseaux produisent de l’ARN, mais elles n’ont pas établi l’activité ni le rôle biologique de l’enzyme.

Les annonces sur l’IA en biologie brouillent souvent trois réalisations distinctes : générer une hypothèse, valider une caractéristique observable et prouver une fonction utile. Anthropic a accompli une partie des deux premières étapes pour ART.

La campagne computationnelle a identifié l’organisation génomique et proposé qu’elle représente un système. Des scientifiques humains ont ensuite testé si les réseaux de répétitions étaient exprimés. Ils ont détecté des produits d’ARN courts distincts, ce qui étaye l’idée que le réseau participe à un processus biologique actif.

Cette validation compte. Les bases de données génomiques contiennent des erreurs de séquençage, des assemblages incomplets et des motifs sans importance fonctionnelle. L’observation de l’expression d’ARN rend plus difficile d’écarter ART comme un artefact computationnel.

Toutefois, la transcription seule n’explique pas le système. Des régions d’ADN peuvent produire de l’ARN sans contrôler une enzyme programmable. Les chercheurs doivent encore déterminer si la transcriptase inverse ART copie ces ARN, si la protéine partenaire intervient et quelle conséquence biologique en découle.

Les travaux actuels ne disposent pas non plus d’une réplication indépendante. Anthropic a publié un rapport technique plutôt qu’un article de revue évalué par les pairs. Des chercheurs extérieurs peuvent examiner ses méthodes, mais aucun autre laboratoire n’a publiquement reproduit les observations biochimiques.

L’entreprise mérite d’être créditée pour avoir documenté des résultats défavorables. Les dix réexécutions échouées et les scores plus faibles obtenus dans les benchmarks fondés sur des fichiers compliquent son discours marketing, mais ils figurent bien dans le rapport.

Ces divulgations permettent aux lecteurs de distinguer trois affirmations.

Premièrement, Claude a trouvé un motif génomique négligé pendant une campagne non supervisée. Les journaux et méthodes disponibles étayent ce récit.

Deuxièmement, ART est un système jusque-là non caractérisé dont les réseaux de répétitions produisent de courts ARN. Les expériences d’Anthropic étayent cette conclusion, sous réserve d’une réplication externe.

Troisièmement, ART est comparable à CRISPR en tant que plateforme programmable d’édition génétique. Les preuves actuelles n’étayent pas cette conclusion.

Anthropic lui-même emploie un langage plus prudent que certains résumés. L’entreprise décrit des propriétés « rappelant CRISPR » et affirme que le système pourrait impliquer quelque chose d’analogue. Elle indique également que la fonction principale d’ART reste inconnue.

L’écart entre la deuxième et la troisième affirmation pourrait nécessiter un travail considérable pour être comblé. Les chercheurs doivent purifier ou exprimer les protéines pertinentes, identifier les substrats moléculaires, mesurer l’activité et tester si la modification des séquences espaceuses modifie une cible.

Ils doivent également établir le rôle naturel d’ART. Comme le système semble se trouver principalement dans les bactériophages, il pourrait aider les virus à copier l’information génétique, à contourner les défenses bactériennes, à manipuler les cellules hôtes ou à concurrencer d’autres phages. Chaque possibilité implique un programme expérimental différent.

La sécurité et la gouvernance compteront si le système devient programmable. Anthropic affirme que son laboratoire ne travaille pas avec des pathogènes capables d’infecter les humains. Les expériences actuelles restent très éloignées d’une application clinique ou d’édition génétique à haut risque.

L’entreprise explore également des moyens permettant à des agents d’IA d’utiliser des instruments scientifiques. Son aperçu de standard matériel décrit une interface commune pour les microscopes, les manipulateurs de liquides, les bras robotisés et d’autres appareils programmables.

ART n’est pas issu d’un laboratoire entièrement robotisé. Claude a effectué la recherche dans les bases de données et contribué à l’analyse, tandis que des scientifiques humains ont réalisé le travail en laboratoire humide. Cette séparation est importante, car elle limite à la fois l’affirmation d’autonomie et le risque physique immédiat.

La combinaison d’analyses agentiques et d’expériences automatisées créerait une boucle de découverte plus complète. Un système d’IA pourrait proposer des candidats, commander des tests, examiner les résultats et réviser ses hypothèses. Elle créerait également des modes de défaillance supplémentaires liés au contrôle des instruments, à la contamination, à la conception expérimentale et à des objectifs dangereux.

Anthropic a déjà observé que Claude peut avoir des difficultés avec les contraintes physiques. Lors d’un test d’automatisation de laboratoire, le modèle a relancé une opération de manipulation de liquides lorsque des bulles provoquaient des erreurs, ce qui a aggravé le problème. L’intervention humaine l’a aidé à reconnaître la cause physique et à ajuster son comportement.

Cet exemple illustre la limite centrale de la science par IA actuelle. Les modèles peuvent raisonner sur de vastes quantités d’informations symboliques, mais ils ne possèdent pas l’intuition physique accumulée d’un scientifique. Un laboratoire humide révèle des erreurs qui semblent plausibles dans du texte ou du code.

ART constitue donc un test précoce utile précisément parce que le résultat reste incomplet. L’IA a généré une piste prometteuse. Des expériences humaines ont établi qu’une partie de cette piste était réelle. Aucune des deux parties n’a encore expliqué la biologie.

Ce que les scientifiques et les créateurs d’IA devraient surveiller ensuite

Trois signaux détermineront si ART devient une découverte importante ou reste une piste instructive générée par l’IA.

Le premier signal est la validation fonctionnelle. Les chercheurs ont besoin de preuves que la transcriptase inverse ou sa protéine partenaire réalise une réaction mesurable impliquant les ARN dérivés du réseau.

Une expérience convaincante identifierait le substrat et le produit de l’enzyme. Une preuve plus forte montrerait que modifier une répétition ou un espaceur change le résultat moléculaire de manière prévisible.

Si ART se révèle programmable, la comparaison avec CRISPR gagnera en substance. Si ses ARN ne sont pas liés à l’activité de l’enzyme, la comparaison s’affaiblira, même si le système demeure biologiquement intéressant.

Le deuxième signal est la réplication indépendante. Un autre laboratoire devrait confirmer les produits d’ARN, reconstruire le système et tester ses composants sans s’appuyer sur le workflow interne d’Anthropic.

Des résultats indépendants sépareraient la biologie de la démonstration du modèle par l’entreprise. L’incapacité à reproduire les observations imposerait un examen plus attentif des conditions expérimentales, de la sélection des séquences et de l’analyse.

L’évaluation par les pairs aidera, mais la publication seule n’est pas le seuil décisif. Des expériences fonctionnelles menées par des chercheurs ayant des incitations et des équipements différents auraient davantage de poids.

Le troisième signal est la reproductibilité des campagnes. Anthropic ou un autre groupe devrait réexécuter le workflow de découverte avec des garde-fous obligeant les agents à examiner la séquence brute autour des loci prometteurs.

Les benchmarks contrôlés suggèrent déjà une intervention directe. Lorsque Claude lit l’ADN pertinent, il reconnaît généralement les répétitions. Un meilleur harnais devrait systématiser cette inspection sans transformer le workflow en script conçu spécifiquement pour trouver ART.

Les chercheurs devraient communiquer les réussites sur plusieurs exécutions, et pas seulement la meilleure transcription. Ils devraient également indiquer combien de candidats ont exigé une revue humaine, quelle puissance de calcul chaque campagne a utilisée et quelles décisions automatisées ont modifié le résultat final.

Si un système révisé trouve ART dans la plupart des exécutions comparables, le résultat initial d’une réussite sur onze paraîtra être une limite d’ingénierie précoce. Si les réussites restent rares, la découverte autonome ressemblera toujours davantage à une exploration opportuniste qu’à une infrastructure scientifique fiable.

Cela ne rend pas l’observation initiale sans valeur. La science humaine dépend aussi du hasard, d’une attention inhabituelle et d’enquêteurs qui suivent de faibles signaux. La valeur de l’IA peut venir en partie de la création de davantage d’occasions pour de tels moments.

La question économique est de savoir si ces occasions justifient le coût du filtrage de leur production. La campagne d’Anthropic a produit des milliers d’associations possibles et un ensemble bien plus réduit de rapports qui méritaient d’être lus. Des experts humains ont encore dû évaluer les candidats et mener les expériences.

Pour les scientifiques en activité, la leçon immédiate est plus limitée que « l’IA peut remplacer les chercheurs ». Les agents généralistes peuvent rechercher dans la littérature, les données génomiques et les outils computationnels à une échelle qu’une seule personne ne peut soutenir. Ils peuvent aussi manquer des preuves évidentes à moins que les workflows ne préservent les données brutes et n’exigent une inspection adéquate.

Pour les créateurs d’IA, ART offre un meilleur benchmark qu’une prose scientifique soignée. Un agent peut-il explorer un espace de recherche ouvert, préserver les preuves, reconnaître une anomalie, remettre en cause sa première explication et reproduire ensuite le parcours ?

Pour les équipes d’entreprise et de travail de connaissance, le même principe de conception s’applique. La qualité d’un agent dépend de l’accès aux documents d’origine, de décisions traçables et d’une récupération reproductible. Une base de connaissances consultable utile devrait aider les personnes à vérifier comment une réponse a émergé, et non se contenter de présenter une conclusion assurée.

La découverte de l’enzyme par Anthropic Claude a déjà franchi un seuil significatif. Claude a remarqué une structure génomique que les chercheurs n’avaient pas caractérisée et a dirigé l’attention humaine vers elle.

Elle n’a pas franchi les seuils plus exigeants de la découverte reproductible, de la validation indépendante ou d’une fonction d’édition génétique démontrée. Ce sont désormais les mesures qui comptent.

Surveillez les expériences, pas l’analogie. Si ART se révèle programmable et que d’autres laboratoires le reproduisent, Anthropic disposera d’un exemple solide d’IA initiant une découverte biologique conséquente. Si la fonction demeure insaisissable, le projet révélera tout de même quelque chose d’utile : l’IA peut générer des pistes scientifiques, mais une science fiable commence lorsque ces pistes résistent à des contacts répétés avec les preuves.