L’IA a-t-elle vraiment découvert le « nouveau CRISPR » ? Récit, paradoxes et révolution de la science automatisée

1. Introduction : Le jour où l’IA a bousculé la biologie

En septembre 2026, l’entreprise Anthropic a publié une annonce aux allures de point de bascule technologique : son intelligence artificielle Claude a analysé en autonomie des milliards de séquences génétiques pendant seulement 21 heures pour y dénicher une structure ADN inédite. Baptisée ART (Array Reverse Transcriptase), cette architecture moléculaire cachée dans le génome de virus géants rappelle la signature de CRISPR, les célèbres ciseaux génétiques couronnés par un prix Nobel.

Cette annonce ne survient pas dans un vide institutionnel. Au printemps 2026, Anthropic avait jeté les bases d’un laboratoire de biologie moléculaire de pointe en faisant l’acquisition de Coefficient Bio pour 400 millions de dollars et en recrutant John Jumper, co-lauréat du prix Nobel de Chimie 2024 pour ses travaux sur AlphaFold. L’objectif était clair : tester la capacité d’un modèle généraliste à accélérer la découverte biologique.

Pourtant, le véritable tournant de cette exploration réside dans un détour créatif de l’agent IA. Alors qu’il explorait un gène candidat voisin d’une transcriptase inverse, l’agent est d’abord tombé sur une fausse piste qu’il a rejetée. Mais au lieu d’abandonner la famille de protéines et de passer à autre chose, l’IA a fait preuve d’une forme d’« intuition » algorithmique : elle s’est mise à inspecter la séquence d’ADN adjacente. C’est là, niché juste à côté de la machine biologique, qu’elle a repéré un motif hautement inhabituel.

L’enthousiasme initial et l’onde de choc sur Wall Street ont été immédiats. Mais très vite, la mécanique de cette percée a révélé ses zones d’ombre, soulevant un débat passionnant sur la reproductibilité et la paternité des découvertes à l’ère de l’IA.

2. Une percée génomique majeure pour le prix d’un smartphone

Pour réaliser cette fouille génomique, Anthropic n’a pas sollicité un simple assistant conversationnel, mais a déployé une armée de 950 agents IA autonomes opérant sous le modèle Claude / Mythos 5. Pendant 21 heures sans la moindre intervention humaine, ces agents ont arpenté une base de données regroupant près de deux milliards de familles de protéines, consignant leurs observations dans un carnet de bord partagé.

C’est lors de ce balayage que l’agent a mis en lumière la structure ART : une séquence répétée de 16 lettres génétiques (commençant par le motif CATGTG), intercalée à des intervalles réguliers de 120 à 220 lettres près d’un gène codant pour une transcriptase inverse au sein de phages géants (des virus s’attaquant aux bactéries).

L’impact de l’annonce s’est aussitôt mesuré à l’échelle des marchés financiers, effrayés ou fascinés par l’émergence soudaine d’un potentiel concurrent aux outils actuels d’édition du génome :

• Dispositif déployé : 950 agents IA autonomes synchronisés.

• Temps d’exploration : 21 heures de recherche continue.

• Coût de calcul : Estimé entre 3 000 $ et 5 000 $ seulement.

• Réaction boursière : Chute de plus de 5 % pour CRISPR Therapeutics et de près de 12 % pour Prime Medicine.

« Génialement intrigante. » — Feng Zhang, pionnier de CRISPR au MIT, qualifiant la découverte de la structure ART.

3. Le paradoxe des outils : quand l’IA voit mieux sans logiciels spécialisés

L’un des enseignements les plus contre-intuitifs de cette expérience touche à la façon dont les agents IA appréhendent les données scientifiques. Pour analyser des séquences biologiques complexes, l’ingénierie classique préconise d’équiper le modèle d’outils et de logiciels de bio-informatique spécialisés. Or, lorsque les chercheurs ont fourni ces programmes tiers à l’IA, son taux de détection du motif répété est tombé à 32 %.

À l’inverse, en lui fournissant la séquence d’ADN brute de 2 900 lettres directement dans sa fenêtre de contexte — sans annotation ni logiciel d’analyse —, le taux de réussite a bondi à 90 %.

Les journaux de session traduisent le basculement logique du modèle au moment où il inspecte le texte brut, l’IA écrivant dans sa chaîne de pensée : « Je vois à l’œil nu un réseau de répétitions en tandem... de type crispr avec un ? et ! ».

L’analyse de l’architecture interne du modèle éclaire ce paradoxe. Les outils d’interprétabilité ont révélé que les vecteurs d’activation neuronale déclenchent une réaction à la vue de ces répétitions avant même la verbalisation du raisonnement. Toutefois, cette sensibilité interne réagit de manière généraliste : les mêmes signaux s’allument face à des répétitions textuelles n’ayant aucun rapport avec la biologie (comme une phrase répétée dans un texte littéraire).

Il ne s’agit donc pas d’un moteur biologiquement spécialisé, mais d’un détecteur universel de motifs visuels et textuels. Cette constatation bouscule l’idée reçue selon laquelle un agent IA aurait systématiquement besoin de logiciels dédiés pour accomplir des tâches complexes de repérage.

4. Le grand bogue de la reproductibilité et la case « 1987 » de la biologie

Malgré la beauté du résultat initial, l’équipe d’Anthropic a voulu soumettre son protocole à un test de vérification de routine en relançant l’expérience dans des conditions strictement identiques (mêmes agents, mêmes consignes, même durée et même base de données).

Le résultat s’est révélé déroutant : 0 réussite sur 10 relances.

L’IA a échoué dix fois d’affilée à retrouver la structure ART. Lors de plusieurs essais, les agents sont passés exactement sur la famille de virus concernée, ont eu le motif sous les yeux, mais ont continué leur chemin sans l’identifier. L’image qui s’impose est celle de dix détectives envoyés sur la même scène de crime : le premier repère la tache sur le tapis, tandis que les neuf suivants marchent dessus sans la voir.

Ce problème d’instabilité du parcours d’exploration de l’IA ne remet pas pour autant en cause la réalité biologique de la structure. Les données expérimentales prouvent que la structure ART n’est pas un simple décor biologique :

• La preuve par les archives de 2022 (Phage SA1) : En réanalysant les données d’infection du phage géant SA1 publiées en 2022, l’équipe a constaté que 15 minutes après l’infection d’une bactérie, jusqu’à 8 % de la totalité des messages ARN produits par le virus provenaient de cette seule zone répétée.

• Confirmation en laboratoire : Des tests menés dans des bactéries de laboratoire confirment que le système est biologiquement actif et produit de petits ARN en grande quantité.

Pour autant, sur le plan fonctionnel, ART se trouve aujourd’hui sur la case « 1987 » de l’histoire de CRISPR. En 1987, des chercheurs japonais avaient identifié des répétitions étranges chez E. coli sans savoir à quoi elles servaient, avant qu’il ne faille attendre des décennies pour démontrer leur rôle d’outil d’édition du génome. Pour ART, on observe les répétitions et la production d’ARN, mais personne n’a encore vu la machine à l’œuvre en laboratoire (il n’a pas été démontré qu’elle coupe, copie ou édite l’ADN).

Anthropic a fait preuve d’une transparence exemplaire en publiant l’intégralité de ces dix échecs de relance dans son rapport public, soulignant que si la découverte est réelle et validée sur la paillasse, la trajectoire d’exploration autonome de l’IA demeure hautement non déterministe.

5. La controverse de paternité : l’IA a-t-elle vraiment devancé les humains ?

Quatre jours après l’annonce d’Anthropic, la découverte a pris une tournure polémique dans les colonnes du New York Times et d’ El Diario. Mario Rodriguez Maestre, biologiste à l’Université de Copenhague spécialisé dans les systèmes de défense bactériens, a affirmé avoir identifié ces mêmes architectures dès 2022-2023, les ayant baptisées « Jumbo Thrones ».

Le chercheur a indiqué avoir déposé deux demandes de brevets en 2023 et 2024, soutenu une thèse sur le sujet en avril 2026, et partagé ses notes de travail confidentielles lors d’interactions avec Claude. Ses travaux antérieurs ont par ailleurs été confirmés par d’autres experts du domaine, à l’instar de Seth Shipman.

Face à ces déclarations, Anthropic a défendu sa position en soulignant qu’aucune publication antérieure ne décrivait ART dans la littérature scientifique publique, que le modèle n’a pas été entraîné sur les conversations privées des utilisateurs, et que ses biologistes n’ont jamais eu accès aux échanges confidentiels de la plateforme. Quelques jours plus tard, Maestre a apporté une clarification en concédant qu’il ne disposait d’aucune preuve formelle d’une fuite de données, évoquant une simple hypothèse.

Pour démêler cette affaire, il convient de structurer la controverse autour de trois questions distinctes :

1. Qui a identifié le système en premier ? Tranché par les faits : Mario Rodriguez Maestre dès 2022-2023 (brevets déposés en 2023/2024 et thèse soutenue en avril 2026).

2. L’IA l’a-t-elle retrouvé seule ? Tranché par les données : Les carnets de bord des 21 heures de session attestent de la trajectoire autonome de l’agent IA.

3. Y a-t-il eu fuite ou réutilisation de données privées ? Non démontré : Il s’agit à ce jour d’une hypothèse sans preuve matérielle.

Cette grille de lecture montre que les deux réalités ne s’excluent pas : Mario Rodriguez Maestre peut avoir découvert le système en premier, et l’IA d’Anthropic peut l’avoir re-découvert de manière totalement autonome dans des milliards de données brutes.

6. Le déplacement du goulot d’étranglement de la science

Au-delà de la polémique, l’expérience conduite par Anthropic symbolise un glissement fondamental de la méthode scientifique. Historiquement, le principal goulot d’étranglement de la recherche résidait dans la capacité d’exploration : il fallait des années à un œil humain pour détecter une anomalie ou un motif discret au milieu d’océans de données génomiques.

Aujourd’hui, des flottes d’agents IA sont en mesure de balayer ces bases de données et d’isoler des dizaines de pistes prometteuses en une seule journée pour quelques milliers de dollars.

Désormais, le véritable goulot d’étranglement se déplace vers la paillasse : la phase d’expérimentation physique, de vérification empirique et de caractérisation en laboratoire. La validation humaine devient l’étape rare et indispensable pour distinguer les véritables révolutions biologiques des faux signaux générés par des modèles non déterministes.

« Compresser 50 à 100 ans de progrès en biologie en seulement 5 à 10 ans. » — Dario Amodei, PDG d’Anthropic, Machines of Loving Grace (Octobre 2024)

7. Conclusion : À qui appartient la science de demain ?

L’affaire ART illustre toute la dualité de la recherche moderne. Elle met en lumière d’un côté la puissance brute de détection de motifs d’une IA capable d’isoler en 21 heures une structure ignorée pendant des années, et de l’autre, l’instabilité de son processus d’exploration ainsi que le besoin absolu d’une validation physique par des biologistes.

Alors que les algorithmes s’imposent comme des partenaires d’exploration au quotidien, la question de l’attribution du mérite scientifique devient une interrogation centrale. Les découvertes de demain doivent-elles être portées au crédit des chercheurs qui collectent les données sur le terrain, des ingénieurs qui conçoivent les modèles, de l’IA qui détecte le motif, ou des biologistes qui valident le mécanisme en laboratoire ?

Selon vous, la paternité d’une telle avancée doit-elle revenir à l’IA et aux équipes qui l’ont déployée, ou au chercheur qui avait documenté ces structures des années plus tôt ?