Il y a un an, l’idée d’un « scientifique IA » était surtout conceptuelle. Aujourd’hui, une poignée d’outils d’IA agentiques passent de la démonstration à l’utilisation quotidienne en laboratoire, et un article d’actualité de Nature par Ewen Callaway offre un guide pratique aux chercheurs qui tentent de déterminer lequel correspond à leurs besoins.
Le paysage, tel que présenté, se divise en trois grandes catégories : les plateformes de travail scientifiques polyvalentes, les systèmes de génération d’hypothèses multi-agents et les outils spécialisés open-source.
Claude Science
Claude Science d’Anthropic est le plus large des offres actuelles. Il fonctionne comme un poste de travail scientifique : revue de littérature, analyse de données, génération de figures et préparation de manuscrits au sein d’une interface unique. Il comprend l’exécution locale de Python, R et shell, un agent « relecteur » intégré qui vérifie les affirmations par rapport aux enregistrements d’exécution, et la possibilité de se connecter à des ressources de calcul HPC et SSH.
La démonstration la plus frappante vient d’Euan Ashley à Stanford. En 2010, son équipe de 31 scientifiques avait mis neuf mois pour réaliser la première analyse clinique d’un génome humain. Ashley a donné son génome à Claude et lui a demandé de produire un rapport clinique. Cela a pris 30 minutes. Le résultat a correctement identifié les allèles de risque pour la maladie d’Alzheimer et les variants du métabolisme des médicaments, à un niveau qu’Ashley a considéré comme cliniquement exploitable.
Claude Science est inclus dans tous les forfaits payants de Claude, de 20 $ par mois pour le niveau Pro à 100–200 $ par mois pour le niveau Max, avec des options pour équipes et entreprises.
Co-Scientist
Co-Scientist de Google DeepMind, publié dans Nature en mai 2026, adopte une approche différente. Il utilise six agents spécialisés, Génération, Réflexion, Classement, Évolution, Proximité et Méta-évaluation, ainsi qu’un agent superviseur qui les orchestre dans un cycle de débat et d’évolution. À partir d’une question de recherche large, le système propose des hypothèses testables classées par plausibilité et nouveauté.
L’immunologiste de Cambridge Clare Bryant a fourni à Co-Scientist une demande de subvention et des données préliminaires. Il a généré une hypothèse visant à muter une protéine immunitaire innée et à tester son impact sur l’infection grippale. L’évaluation de Bryant : « Cela aurait pu prendre deux ans » pour qu’un chercheur humain arrive à la même idée.
Gary Peltz à Stanford a utilisé Co-Scientist pour identifier des médicaments existants pouvant être repositionnés pour la fibrose hépatique, validant les prédictions sur des modèles d’organoïdes et publiant les résultats dans Advanced Science. Sur GPQA Diamond, un benchmark de raisonnement scientifique de niveau doctoral, l’hypothèse la mieux notée de Co-Scientist a atteint 78,4 % de précision.
Co-Scientist n’est pas encore disponible publiquement. Les chercheurs peuvent s’inscrire pour un accès expérimental via Google Labs.
Alternatives open-source
Biomni, développé par une équipe académique incluant le cofondateur de Phylo Yuanhao Qu et décrit dans Science, est un outil open-source conçu pour des tâches spécifiques comme l’analyse génomique. Il s’intègre à des bases de données telles que GeneCards pour des requêtes biomédicales ancrées. Il est gratuit.
Boltz, un outil open-source de conception de protéines d’une startup londonienne, a été utilisé en combinaison avec des agents Claude pour concevoir un anticorps reconnaissant simultanément deux cibles thérapeutiques, bien que les résultats n’aient pas encore été validés expérimentalement.
Comment choisir
Ashu Singhal de Benchling, la plateforme logicielle de laboratoire, offre des conseils directs basés sur l’étape du projet. Pour la génération précoce d’hypothèses, commencez par Co-Scientist. Pour des tâches analytiques spécifiques, analyse de données génomiques, synthèse de littérature, génération de figures, commencez par Claude Science ou Biomni.
Le conseil le plus important, selon Singhal, est de les essayer réellement : « Moins de 20 % des laboratoires ont pleinement intégré les scientifiques IA. Il est vraiment important que les gens essaient ces outils, plutôt que de simplement se fier à ce qui circule dans les gros titres. »
Gabriele Corso de Boltz recommande de commencer par de petites tâches vérifiables afin que les résultats puissent être facilement contrôlés. « Dans le pire des cas, vous devez les refaire. »
L’article note que tous les systèmes nécessitent encore une révision par un expert du domaine. Aucune des hypothèses générées par IA publiées à ce jour n’a terminé d’essais cliniques, et la confidentialité des données reste une préoccupation, en particulier pour les laboratoires travaillant avec des données cliniques sensibles ou propriétaires.
Sources
[1] Callaway, E. « Which ‘AI scientist’ suits your lab? A guide for the perplexed. » Nature (2026). https://www.nature.com/articles/d41586-026-02091-6
Traduit par Lydie