En septembre 2026, des agents de l’IA Claude, d’Anthropic, ont passé au crible des génomes de microbes et repéré une famille d’enzymes que personne n’avait décrite. Anthropic a reconnu qu’elle ignorait encore à quoi ces enzymes servaient.
Le 17 novembre 2026, l’entreprise de biotechnologie Ginkgo Cloud Labs a répondu à une partie de la question. Une seconde IA, Claude Opus 5, a conçu les expériences de laboratoire, un laboratoire robotisé les a menées, et deux des quatre enzymes testées se sont révélées actives. L’ensemble a pris 13 jours, de la conception aux données, pour environ 14 000 dollars de services de laboratoire à la demande.
Ces enzymes sont des transcriptases inverses, des protéines qui recopient l’ARN en ADN. Plusieurs bactéries s’en servent pour se défendre contre les virus qui les infectent, les phages.
Les nouvelles enzymes sont situées près d’une suite de motifs génétiques répétés. De là vient le nom qu’Anthropic leur a donné : transcriptases inverses associées à un réseau, ou ART. Les deux annonces s’éclairent l’une l’autre parce qu’elles referment une boucle : un premier logiciel a trouvé les enzymes et admis qu’il en ignorait la fonction, un second a conçu l’expérience qui commence à répondre.
Une découverte sans fonction connue
La première moitié de l’histoire date du 23 septembre 2026, quand Anthropic a publié le récit de ce qu’elle a présenté comme une découverte scientifique faite par Claude. Environ 950 agents ont travaillé pendant 21 heures et consommé 210 millions de jetons, l’unité qui mesure le texte traité par une IA. Ils ont trié plus de 200 000 transcriptases inverses, retenu 3 500 systèmes candidats, puis ramené le tout aux 20 plus convaincants et isolé le motif en réseau devenu ART.
La science sous-jacente figure dans une prépublication, une étude diffusée avant sa validation par d’autres chercheurs. Elle est signée par Peter Yoon, Januka Athukoralage, Emmanuel Ameisen et leurs collègues, et a été mise en ligne le 11 octobre 2026 sur bioRxiv, un site de prépublications en biologie.
Le plus notable dans l’annonce tient dans une phrase que beaucoup d’entreprises auraient passée sous silence. « Nous ne connaissons pas encore sa fonction », écrivait Anthropic, avant d’énumérer ce que le système semblait pouvoir faire. La prépublication était tout aussi prudente.
Elle rapportait qu’un des réseaux produisait de courts fragments d’ARN. Mais, à propos de la transcriptase inverse (abrégée RT) et de ces ARN, elle précisait que les auteurs n’avaient « pas montré que la RT est active ni que les ARN sont ses substrats », c’est-à-dire les molécules sur lesquelles elle agirait. Un motif avait été trouvé. Restait à savoir s’il faisait quelque chose.

La question confiée à un second modèle
Ginkgo Cloud Labs a repris cette question ouverte. L’entreprise a installé Claude Opus 5 dans un cadre logiciel qui pilote ses actions. Elle lui a fourni la prépublication de Yoon et un catalogue de protocoles de laboratoire déjà validés que le laboratoire à la demande sait exécuter, puis lui a demandé de rédiger des ordres de travail directement exécutables.
Le modèle a découpé la prépublication en affirmations numérotées et relevé les lacunes et les questions ouvertes. Il a ensuite rassemblé les affirmations retenues en un programme d’expériences ordonné, adapté aux protocoles que le laboratoire propose. Il a précisé les séquences d’ADN des enzymes et de versions volontairement inactivées, réglé les paramètres des tests, puis envoyé les ordres au laboratoire.
L’hypothèse testée était étroite et concrète : les enzymes ART recopient l’ARN produit par leurs propres réseaux répétés. Pour la vérifier, chaque enzyme devait être produite de deux façons, active et volontairement inactivée, puis mesurée par un test qui compte l’ADN fabriqué. Des articles précédents de Marc Winer ont décrit un schéma voisin en informatique scientifique, où des agents IA ont écrit des programmes quantiques ensuite prouvés corrects par un vérificateur formel, un logiciel qui démontre qu’un programme est juste. Ici, le vérificateur est une paillasse de laboratoire plutôt qu’un logiciel.
Le résultat au laboratoire
La lecture s’est faite par qPCR, une technique qui mesure la quantité d’ADN d’un échantillon en comptant les cycles d’amplification nécessaires pour atteindre un seuil mesurable. Les réactions ne contenaient aucune amorce ajoutée, ces courts brins qui déclenchent d’ordinaire la copie de l’ADN. Tout ADN mesuré devait donc avoir été lancé par l’enzyme elle-même, sur son propre ARN.
Deux des quatre enzymes, SA1 et LY01, ont produit bien plus d’ADN que leurs copies inactivées et qu’une enzyme témoin testée sur des séquences qui n’étaient pas les siennes. Les deux autres, MarsHill et PB50, ont à peine dépassé ces témoins, et Ginkgo les qualifie de non concluantes plutôt que de négatives.
L’entreprise a aussi identifié ce dont les enzymes actives ont besoin pour fonctionner. Leur activité reposait sur deux acides aminés précis, les briques qui composent une protéine, situés au centre de l’enzyme. Elle dépendait aussi d’une longue section placée au début de la protéine.
En mutant ce centre ou en supprimant cette section, chaque version retombait au niveau inactif, et SA1 et LY01 perdaient l’activité qu’elles avaient montrée. Ce genre de contrôle sépare un vrai signal du bruit de fond : les enzymes actives s’arrêtaient dès qu’on leur retirait les pièces censées compter.
La part démontrée et la part ouverte
Le discours des deux entreprises mérite une seconde lecture, car chacune a quelque chose à vendre. Ginkgo vend les services de laboratoire qui produisent le chiffre de 14 000 dollars, et Anthropic est une société commerciale en pleine année de levée de fonds. Les affirmations mesurables sont modestes et méritent d’être énoncées à la lettre.
L’activité a été montrée pour deux enzymes. Le rôle biologique du système, c’est-à-dire sa capacité réelle à protéger les bactéries contre les phages dans une cellule vivante, n’a pas été testé du tout.
Le robot n’a pas travaillé seul non plus. Des chercheurs ont revu chaque conception, vérifié les séquences d’ADN et choisi de fabriquer les témoins inactivés.
Le premier test, censé confirmer la simple présence des protéines, n’a presque rien donné. Les chercheurs ont alors ajouté une mesure plus sensible, qui a montré que les protéines étaient bien là et que le défaut venait du test, pas des protéines. Ginkgo le dit clairement : l’exécution « reposait encore sur une supervision humaine étroite ».
Plusieurs questions de départ restent ouvertes : SA1 et LY01 sont-elles spécifiques de leurs propres séquences, MarsHill et PB50 exigent-elles d’autres conditions, et que font vraiment les protéines partenaires voisines de chaque enzyme, écartées de ces tests.
La même semaine, deux autres résultats à bas coût
Le travail sur ART s’inscrit dans une semaine dense en annonces du même genre. Le même jour, l’organisme d’évaluation Epoch AI a rapporté un résultat en mathématiques. GPT-6.2 Astra, le modèle d’OpenAI, a produit des solutions vérifiées en Lean, un logiciel qui contrôle les démonstrations mathématiques, pour 7 des 68 problèmes de mathématiques restés sans solution en août 2026.
Les meilleurs systèmes précédents en résolvaient trois au plus. Le coût tournait autour de 240 dollars par problème, et l’un des sept n’avait aucune solution connue jusque-là.
À la conférence de calcul intensif SC26, NVIDIA a affirmé que des agents scientifiques tournent désormais sur les machines des chercheurs eux-mêmes. Un agent de réparation conçu à l’institut suédois KTH a corrigé en une nuit 81 % de configurations de simulation moléculaire défaillantes, sur un seul poste de bureau. Un agent du laboratoire américain d’Argonne a repéré deux nouveaux sites de fixation, les points où une molécule vient s’accrocher, à partir d’une seule consigne. Ces exemples viennent d’un discours commercial, ce sont donc des affirmations à vérifier, même si la tendance va dans le même sens.
Marc Winer a déjà couvert ce mouvement, dont un cas où des agents IA ont fait un vrai travail d’ingénierie confronté à un système réel et une preuve mathématique relue par un panel d’experts humains.
Notre analyse
L’attention ira vers la découverte, mais le chiffre qui compte est le coût de la validation. La moitié lente et coûteuse de la biologie consiste à prouver une hypothèse en laboratoire, bien après avoir eu l’idée. Cette campagne a rendu cette étape plus rapide et moins chère.
Treize jours et environ 14 000 dollars ont suffi pour passer d’une question de prépublication à une première réponse biochimique. Comme Ginkgo vend ces étapes sous forme de services au catalogue, les 14 000 dollars sont un prix affiché plutôt qu’une estimation approximative.
Pour un petit laboratoire ou un fondateur, le signal est net. Une expérience précise et réfutable, qu’on peut donc prouver fausse, peut désormais se définir et s’acheter, là où il fallait autrefois une équipe financée et une année entière.
Le logiciel a réduit le temps nécessaire pour transformer une question ouverte en expérience vérifiable. Le choix des questions qui en valent la peine, lui, reste humain. Des humains ont choisi la cible, revu les conceptions et sauvé une mesure ratée en cours de route. Le résultat est arrivé en deux semaines ; décider ce qui mérite d’être cherché est resté une affaire humaine.
Les points à surveiller sont concrets : les deux enzymes actives sont-elles spécifiques de leurs propres réseaux, les protéines partenaires jouent-elles un rôle, le système défend-il une cellule vivante contre les phages, et la lecture de l’ADN fabriqué confirme-t-elle le signal. Si la même boucle, trouver puis tester, se répète sur une cible plus difficile, le schéma cesse d’être un coup isolé et devient une méthode.
Sources
- ART proteins are active on their cognate arrays, Ginkgo Cloud Labs, 17 novembre 2026
- Claude discovers a new enzyme system, Anthropic, 23 septembre 2026
- Autonomous AI agents discover reverse transcriptases with tandem repeat arrays, Yoon et al., bioRxiv, 11 octobre 2026
- GPT-6.2 Astra sets a record on FrontierMath Erdos, Epoch AI, 17 novembre 2026
- Ian Buck kicks off NVIDIA’s week at SC26 as science enters the age of agents, NVIDIA, 17 novembre 2026
Image d’en-tête : graphique MACCUS, d’après les données d’essai ART de Ginkgo Cloud Labs (ART_three_assays_long.csv), lues le 18 novembre 2026



