Des chercheurs de Stanford publient Paper2Agent, qui transforme des articles de recherche en agents IA capables de reproduire des résultats
Des chercheurs de Stanford dirigés par Jiacheng Miao et James Zou ont publié le 16 septembre 2026 dans Nature un système baptisé Paper2Agent, capable de transformer un article scientifique et son code en agent IA fonctionnel. L'outil convertit une publication et son dépôt de code en serveur MCP (Model Context Protocol), que tout agent compatible, comme Claude Code, peut ensuite piloter en langage naturel. Le code est publié sous licence MIT et s'installe comme extension pour Claude Code ou Codex, avec des serveurs préconstruits pour AlphaGenome, Scanpy et TISSUE disponibles sur Hugging Face Spaces, ainsi qu'une version hébergée sur paper2agent.ai. Le pipeline, bâti sur le SDK agent de Claude Code, orchestre six étapes automatisées : récupération du code, création d'un environnement isolé, indexation des tutoriels, exécution de référence, extraction d'outils MCP paramétrés et vérification stricte (tolérance de 3% sur les chiffres, distance de Hamming inférieure à 20 pour les figures). Pour AlphaGenome, l'outil a généré 22 fonctions validées en 45 minutes pour 14 dollars, avec des scores de 98,7% et 100% sur des requêtes tirées de tutoriels et inédites, contre 82,7% et 78,7% pour Claude Code avec simple accès au dépôt, et 37,3% et 56% pour Biomni.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Ces résultats répondent à un problème concret de la recherche computationnelle : le code accompagnant les articles scientifiques reste souvent inaccessible en pratique, car il faut le cloner, l'installer et le déboguer avant de pouvoir l'utiliser, ce qui limite la diffusion réelle des méthodes publiées malgré leur mise en ligne. En automatisant cette reproduction, Paper2Agent pourrait démocratiser l'usage de méthodes complexes en bio-informatique et au-delà, permettant à des chercheurs sans expertise technique poussée d'interroger directement les résultats d'un article via le langage naturel. L'étude illustre aussi les limites persistantes de ces systèmes sur l'attribution causale en génétique : ré-examinant une variante liée au cholestérol LDL (chr1:109274968:G>T), l'agent a désigné SORT1 comme gène causal probable, alors que l'article original d'AlphaGenome privilégiait CELSR2 et PSRC1, les trois gènes présentant des eQTL hépatiques significatifs selon GTEx.
Les tests à grande échelle confirment la robustesse de l'approche : sur 100 articles de bioRxiv en biologie computationnelle, 74 ont été transformés en agents et 593 des 599 outils proposés ont passé la validation, avec un score de 91,2% sur 300 questions contre 80,3% et 86,3% pour les versions Sonnet 4 et Sonnet 4.6 de Claude seul, pour un coût par requête de 0,20 dollar contre 0,38 dollar. L'équipe a aussi testé le système sur dix articles hors biologie, dont ceux décrivant TabPFN, SAM 2 et SAELens, atteignant 98,1% de précision sur 42 tâches d'exécution, ce qui suggère une portée dépassant les sciences de la vie. Le système a par ailleurs rejeté 100% des requêtes hors périmètre lors d'un test de permutation et a su récupérer automatiquement après des pannes provoquées de dépendances, de chemins de fichiers ou d'API obsolètes. Ces performances, obtenues avec Claude Sonnet 4 comme modèle de base pour toutes les applications testées, posent la question de l'évolution future de ces agents de recherche vers une collaboration entre plusieurs agents issus de différents articles, une piste que l'équipe de Stanford commence tout juste à explorer.
Les chercheurs européens en bio-informatique pourraient utiliser cet outil open source pour reproduire plus facilement des méthodes publiées, sans qu'aucun acteur français ou européen ne soit implique dans son développement.