Des études révèlent que les modèles Claude ont été entraînés à grande échelle sur des séquences de protéines
De nouveaux tests montrent que Claude Fable 5.2 et Opus 5.5 prédisent les acides aminés dans des protéines obscures, indiquant un entraînement à grande échelle sur des données de séquences biologiques.
Traduit automatiquement depuis l'original anglais.
Une enquête technique publiée en novembre 2026 révèle que les derniers modèles Claude ont été entraînés sur des données de séquences de protéines à une échelle significative. Les chercheurs Xinming Tu et Leo Tianlai Chen ont démontré que Claude Fable 5.2 et Claude Opus 5.5 peuvent prédire avec précision le prochain acide aminé dans des protéines bactériennes peu étudiées, une capacité absente chez d'autres modèles de pointe. Cette découverte suggère qu'Anthropic a inclus d'immenses bases de données biologiques dans son corpus d'entraînement, distinguant ainsi son approche de celle de concurrents comme OpenAI et Google.
Ce qui s'est passé
L'étude s'est concentrée sur la prédiction du prochain acide aminé en utilisant un ensemble de test composé de 668 protéines bactériennes et archéennes issues de 167 familles Pfam de fonction inconnue. Ces protéines ont été sélectionnées car elles ne possèdent aucune structure résolue, moins de trois articles associés et aucun parent proche dans les bases de données standard comme UniProt. En découpant chaque protéine à cinq endroits et en demandant au modèle de prédire les dix prochains acides aminés, les chercheurs ont mesuré la compréhension par les modèles de la séquence biologique sous-jacente, plutôt que leur simple récitation de textes mémorisés issus de la littérature scientifique.
Les résultats ont montré un contraste marqué entre les modèles Claude et les autres systèmes leaders. Claude Fable 5.2 a atteint une précision de 54 % sur de vraies séquences de protéines contre seulement 9 % sur des versions mélangées où l'ordre était détruit. Claude Opus 5.5 a présenté un comportement similaire, avec une précision augmentant significativement par rapport aux versions précédentes. En comparaison, GPT-6.2 Sol, GPT-6 Astra, Gemini et sept modèles à poids ouverts, dont DeepSeek V4.1 Flash et Qwen 3.8, sont restés proches d'une précision nulle, même lorsqu'ils étaient invités à continuer du texte FASTA brut. Cela indique que si d'autres modèles peuvent connaître des protéines célèbres comme la GFP grâce à la lecture d'articles, ils n'ont pas internalisé la structure statistique des familles de protéines à grande échelle.
Des tests supplémentaires ont confirmé que cette capacité provient des données d'entraînement plutôt que du raisonnement ou de la recherche web. Les modèles ont obtenu des performances équivalentes sur des familles de protéines sans aucun article publié, écartant la possibilité qu'ils apprennent à partir de descriptions textuelles. De plus, la précision s'améliorait avec la taille des familles de protéines, reproduisant le comportement des modèles de langage spécialisés pour les protéines. Cette connaissance s'étendait également à 56 protéines rendues publiques en août 2026, après la date limite d'entraînement rapportée, suggérant que les modèles peuvent généraliser à de nouvelles séquences basées sur les structures de familles apprises.
Comment cela fonctionne
Le mécanisme central testé est la prédiction du prochain jeton appliquée aux séquences biologiques. Les modèles de langage pour protéines lisent généralement une séquence d'acides aminés de gauche à droite et prédisent le résidu suivant le plus probable en se basant sur des motifs appris à partir de millions d'autres séquences. Les chercheurs ont appliqué cette même logique aux grands modèles de langage généralistes. En fournissant le début d'une séquence de protéine et en demandant la continuation, ils ont testé si le modèle avait appris la distribution de probabilité conjointe des acides aminés au sein de familles spécifiques.
Pour s'assurer que les modèles ne se contentaient pas de deviner en se basant sur la composition en acides aminés, les chercheurs ont utilisé une méthode de contrôle impliquant des séquences mélangées. Le mélange conserve les mêmes lettres mais détruit l'ordre biologique. Un modèle ayant réellement appris la structure des protéines performera bien sur les séquences réelles mais mal sur les séquences mélangées. L'écart entre ces deux scores mesure la compréhension par le modèle de l'ordre de la séquence. Claude Fable 5.2 et Opus 5.5 ont montré de grands écarts positifs, tandis que d'autres modèles non, indiquant que les données d'entraînement de Claude incluaient suffisamment de séquences de protéines pour apprendre ces dépendances complexes.
Détails clés
- Claude Fable 5.2 atteint une précision de 54 % dans la prédiction du prochain acide aminé pour des protéines obscures, surpassant des modèles de langage ouverts pour les protéines comme ProGen3-3B.
- Claude Opus 5.5 offre des performances comparables à ProtGPT3-10B, l'un des plus grands modèles de langage ouverts pour les protéines disponibles.
- D'autres modèles de pointe, y compris GPT-6.2 Sol, GPT-6 Astra et Gemini, affichent une précision proche de zéro sur les mêmes tâches, indiquant qu'ils n'ont pas été entraînés sur des séquences de protéines à grande échelle.
- Les modèles performent bien sur des familles de protéines sans articles publiés, prouvant que la connaissance provient des données de séquences plutôt que de la littérature scientifique.
- La précision est corrélée à la taille de la famille, les performances se stabilisant autour de 300 protéines par famille, ce qui est cohérent avec la façon dont les modèles de langage pour protéines apprennent.
- Cette capacité s'étend aux protéines publiées après la date limite d'entraînement, démontrant une généralisation à de nouvelles séquences au sein de familles connues.
Pourquoi c'est important
Pour les ingénieurs logiciels et les chercheurs en IA, cette découverte met en évidence une divergence dans les stratégies d'entraînement parmi les fournisseurs de modèles de pointe. Alors que certaines entreprises se concentrent principalement sur le texte et le code, Anthropic semble avoir intégré des données biologiques à grande échelle dans ses modèles généralistes. Cela suggère que les futurs LLM pourraient de plus en plus servir d'outils multimodaux capables de traiter des domaines scientifiques spécialisés sans nécessiter de plugins externes ni de réglage fin (fine-tuning). Cela soulève des questions sur la transparence des données et le potentiel de capacités inattendues dans les modèles généralistes.
D'un point de vue pratique, cela signifie que les développeurs créant des outils de bioinformatique pourraient tirer parti des modèles Claude généralistes pour des tâches auparavant réservées aux modèles de langage spécialisés pour les protéines. Si Claude peut prédire des séquences et potentiellement classer des variantes ou inférer des structures, cela pourrait simplifier les pipelines nécessitant actuellement plusieurs modèles spécialisés. Cependant, cela implique aussi que les utilisateurs doivent être conscients du risque que ces modèles contiennent des données biologiques sensibles ou propriétaires si de telles données étaient présentes dans les ensembles d'entraînement.
Ce que vous pouvez faire
- Testez les modèles Claude sur vos propres séquences de protéines obscures pour voir s'ils fournissent des prédictions utiles pour le classement de variantes ou l'inférence de structure.
- Comparez la sortie de Claude Fable 5.2 avec des outils spécialisés comme ESMFold ou AlphaFold pour une analyse préliminaire rapide.
- Soyez prudent lors de l'utilisation de LLM généralistes pour des données biologiques sensibles, car ils peuvent avoir mémorisé des séquences provenant de leur ensemble d'entraînement.
- Surveillez les mises à jour d'Anthropic concernant les sources de données et les méthodologies d'entraînement pour mieux comprendre l'étendue de leurs connaissances biologiques.
- Envisagez d'utiliser Claude pour la génération initiale d'hypothèses dans les tâches d'ingénierie des protéines, en tirant parti de sa capacité à généraliser à travers les familles de protéines.
- Revoyez vos politiques de confidentialité des données si vous téléchargez des séquences de protéines propriétaires sur un service LLM basé sur le cloud.



