Le 17 septembre, Anthropic a publié un rapport de recherche : l'entreprise a fait appel à Claude pour optimiser l'inférence de plus de 30 modèles biomoléculaires open source, augmentant leur vitesse d'exécution moyenne d'environ 4 fois en moins de quatre semaines, avec une perte de précision minime. Si l'on exige qu'il n'y ait aucune perte de précision, le gain moyen tombe à environ 1,6 fois. L'ensemble du code est désormais disponible sur le dépôt GitHub anthropics/uplifting-biomolecular-modeling.
Ces modèles couvrent quatre catégories : prédiction de structure, conception de protéines, modèles de langage protéique et modèles de génomique. Le rapport cite nommément AlphaFold3, OpenFold3, Boltz-2 et ColabFold 1.6.3 ; côté conception, il couvre la conception par hallucination, la génération de structure et l'inverse folding, reposant sur des architectures de diffusion, de flow matching et de réseaux de neurones sur graphes. Les autres modèles ne sont pas listés individuellement dans le rapport.
Deux personnes et un modèle
Le projet a été supervisé par deux techniciens d'Anthropic. Le rapport précise volontairement leur profil : familiers de la modélisation biomoléculaire, mais sans expérience préalable en optimisation d'inférence ni en écriture de noyaux GPU. Le travail concret a été réalisé par Claude dans l'environnement Claude Science ; les versions de modèle testées étaient Mythos 5.1, Mythos 5 et Opus 5.
Le gain de vitesse se joue sur deux niveaux. Le premier est générique : Claude a écrit un noyau personnalisé baptisé FlashPairformer, ciblant le module Pairformer, le plus coûteux en calcul dans ce type de modèle — la triangle attention y gagne de 2,7 à 2,9 fois en vitesse, et la triangle multiplication de 1,7 à 3,2 fois. Le second niveau se traite modèle par modèle, par exemple en mettant en cache des calculs répétés ou en supprimant des branches inutiles.
Sur la façon de mesurer cette perte minime de précision, le rapport donne le critère : pour la prédiction d'interface, on utilise le score DockQ, jugé acceptable au-delà de 0,23 ; pour les résultats de conception, on utilise l'ipSAE, un score calculé qui est corrélé au taux de succès en laboratoire humide.
Jusqu'à quelle taille peut-on replier
Au-delà de la vitesse, c'est surtout l'échelle qui frappe. La limite précédente d'AlphaFold3 était de 7663 tokens ; après optimisation, un seul nœud NVIDIA B300 dépasse les 70 000 tokens, de quoi traiter des capsides virales entières et des compartiments protéiques, c'est-à-dire de très grands assemblages.
These are among the largest structures ever folded accurately using structure prediction models.
Traduction libre : il s'agit de certaines des plus grandes structures jamais repliées avec précision à l'aide de modèles de prédiction de structure.
Le rapport précise aussi les limites : au-delà de 70 000 tokens, les prédictions de capsides virales ne sont plus précises. La barrière matérielle reste également présente — les grands systèmes exigent des nœuds B300, et même les tâches courantes nécessitent des cartes de la classe H200.
En lien avec la vague de conception du mois dernier
À la mi-août, Anthropic avait présenté une expérience où Claude concevait des protéines de liaison à partir de zéro — sur 15 cibles, 14 avaient donné des designs exploitables, un sujet déjà traité sur ce site. Cette vague-là avait été menée avec plusieurs sous-agents et un grand nombre de prompts sur le cloud Modal ; selon ce nouveau rapport, elle coûtait environ 10 000 dollars par cible.
Cette fois, la conception de protéines a été refaite avec la pile de modèles optimisée : sur 16 cibles testées, un seul GPU H200 pendant 24 heures a suffi, pour un coût total GPU et tokens d'environ 150 dollars — Anthropic affirme que le coût a chuté d'environ deux ordres de grandeur. Les cibles des deux vagues n'étant pas exactement les mêmes, et le rapport ne fournissant pas de données de validation en laboratoire humide pour ces nouveaux designs, seules la comparaison du coût et de la durée sont directement possibles ; le taux de réussite dépendra de résultats ultérieurs.
D'août à septembre, la séquence des actions d'Anthropic dans les sciences du vivant est claire : d'abord prouver que le modèle peut concevoir des molécules validées comme efficaces en laboratoire, puis revenir améliorer les outils de conception eux-mêmes. Cette seconde étape pourrait avoir un impact plus direct sur les laboratoires académiques — de nombreuses équipes ne disposent que de quelques cartes, et des systèmes de grande taille auparavant impossibles à replier disposent désormais d'une version accélérée en open source, directement utilisable.
Sources : rapport de recherche Anthropic, CocoLoop, dépôt de code anthropics/uplifting-biomolecular-modeling ; se référer au rapport original pour vérifier les facteurs moyens d'accélération, les plages de gain de FlashPairformer, les limites de 7663 et plus de 70 000 tokens, ainsi que les chiffres de coût par cible.