Au Royaume-Uni, une équipe du prestigieux Imperial College London butait depuis dix ans sur une mystérieuse superbactérie résistante aux antibiotiques.
Selon le site d’actualité spécialisé IGN Brasil, une intelligence artificielle développée par Google a réussi en deux jours à confirmer l’hypothèse de ces chercheurs londoniens, et à proposer d’autres pistes crédibles. Une scène de laboratoire qui illustre la vitesse à laquelle l’IA s’invite désormais au cœur de la recherche biomédicale.
Une énigme scientifique de dix ans tranchée en quarante‑huit heures
Le professeur José R. Penadés et son équipe, à l’Imperial College London, travaillent depuis près d’une décennie sur un casse‑tête : pourquoi certaines superbactéries restent‑elles insensibles à des antibiotiques pourtant puissants ? Ces micro‑organismes multirésistants constituent l’une des plus grandes menaces actuelles pour la santé mondiale.
Les chercheurs britanniques avaient fini par formuler une hypothèse précise, mais longue et complexe à valider expérimentalement. Ils ont alors décidé de tester un nouvel outil d’IA mis au point par Google, baptisé « co‑scientist ». L’idée : fournir à la machine une description détaillée du problème, comme ils le feraient avec un collègue humain.
En quarante‑huit heures, l’IA de Google a confirmé la même explication que celle vers laquelle dix ans de travaux orientaient l’équipe de l’Imperial College London.
Selon IGN Brasil, le système a validé la thèse centrale de l’équipe : certaines superbactéries seraient capables de produire une structure rappelant une queue, qui agirait comme un dispositif de déplacement entre espèces bactériennes. Cette sorte de « clé passe‑partout » leur permettrait de franchir des barrières biologiques et de diffuser plus facilement les gènes de résistance.
Au‑delà de cette confirmation, le co‑scientist a généré quatre autres explications plausibles au comportement observé. Les chercheurs ont jugé ces pistes suffisamment solides pour mériter de nouvelles expériences. L’une d’elles, totalement inédite pour l’équipe de Penadés, fait désormais l’objet d’investigations poussées.
Comment fonctionne le co‑scientist de Google ?
Le co‑scientist repose sur Gemini 2.0, un modèle d’IA développé par Google et adapté au travail scientifique et biomédical. L’outil ne se contente pas de résumer la littérature : il est conçu pour formuler des hypothèses, proposer des expériences et suggérer des interprétations alternatives.
- Le chercheur décrit son problème et ses données expérimentales.
- L’IA analyse les connaissances existantes sur le sujet.
- Elle génère des hypothèses cohérentes avec ces données.
- Elle propose des pistes de vérification et de nouvelles expériences.
Google présente ce système comme un « collaborateur virtuel » pour les laboratoires. Les institutions intéressées peuvent se porter candidates à un programme de test, afin d’intégrer progressivement l’outil dans leurs projets de recherche.
« Ça va changer la science, définitivement. J’ai l’impression de jouer enfin un match de Ligue des champions avec cette technologie », confie le professeur Penadés, cité par IGN Brasil.
Pour ce microbiologiste, l’IA ne remplace pas le chercheur, mais lui permet de gagner un temps considérable dans la phase la plus lente et la plus incertaine d’un projet : la génération d’hypothèses et le choix des bonnes questions à poser.
Superbactéries : pourquoi cette découverte compte
Les superbactéries sont des bactéries devenues résistantes à plusieurs familles d’antibiotiques. L’Organisation mondiale de la santé classe ce phénomène parmi les plus grandes menaces sanitaires du XXIᵉ siècle, car il rend certains traitements inefficaces pour des infections pourtant connues.
Comprendre par quels mécanismes ces résistances se transmettent entre bactéries est un enjeu crucial. Si l’hypothèse de la « queue » jouant le rôle de clé de transmission se confirme, elle ouvrira la voie à :
- de nouvelles cibles thérapeutiques pour bloquer ce mécanisme ;
- des stratégies de prévention en milieu hospitalier ;
- un meilleur suivi de la diffusion des gènes de résistance.
L’intervention de l’IA dans ce dossier illustre un basculement : un problème qui aurait pu mobiliser encore des années de réflexion théorique a été recentré en quelques heures sur les pistes jugées les plus fécondes, en s’appuyant sur tout le corpus scientifique existant.
L’IA biologique franchit un nouveau cap avec Evo 2
Au même moment, un autre progrès technologique attire l’attention de la communauté scientifique : le lancement d’Evo 2, présenté comme le plus grand modèle d’IA dédié à la biologie à ce jour. Ce projet réunit des chercheurs de Berkeley, Stanford, de l’Arc Institute, de l’UCSF et de NVIDIA.
Evo 2 a été entraîné sur 9,3 billions de nucléotides issus de 128 000 génomes complets, une masse de données inédite pour ce type de modèle.
Un nucléotide est l’unité de base de l’ADN et de l’ARN. En analysant des milliers de milliards de ces « lettres » biologiques, Evo 2 vise à mieux prédire la façon dont les séquences génétiques peuvent muter, et comment ces changements se traduisent par des maladies ou des résistances aux traitements.
Les applications attendues concernent notamment :
- la prévision de mutations problématiques dans certains virus ou bactéries ;
- la compréhension fine du rôle de certaines variations génétiques humaines ;
- l’identification de nouvelles cibles pour des médicaments.
Combinés, des systèmes comme co‑scientist et Evo 2 dessinent un futur où les chercheurs pourront tester virtuellement un grand nombre d’idées, avant de consacrer le temps et l’argent des laboratoires aux expériences les plus prometteuses.
Quel impact pour les chercheurs humains ?
L’arrivée de ces outils nourrit des interrogations dans la communauté scientifique. Certains craignent une forme d’automatisation de parties de leur métier, en particulier la réflexion théorique et l’analyse de données à grande échelle.
Le professeur Penadés adopte une position plus optimiste. Pour lui, la valeur de l’IA tient à sa capacité à :
La décision finale, le choix des expériences, l’interprétation des résultats et la responsabilité éthique restent entre les mains des scientifiques humains. L’IA devient un outil d’amplification de leurs capacités, plutôt qu’un substitut direct.
Ce que cela change pour la recherche en France
En France, les laboratoires publics et privés s’intéressent déjà aux usages de l’IA dans la santé, la biologie et la pharmacie. L’Inserm, le CNRS, le CEA ou encore plusieurs CHU disposent d’équipes spécialisées en analyse massive de données biomédicales.
Les outils utilisés peuvent différer de ceux de Google, mais la logique reste proche : mobiliser des modèles d’IA pour analyser des séquences génétiques, prédire des structures de protéines ou repérer des signaux faibles dans des bases de données cliniques. Certains hôpitaux testent aussi l’IA pour optimiser les essais cliniques, en repérant les patients les plus susceptibles de répondre à un traitement.
Pour un lecteur français, l’exemple du co‑scientist montre ce que ces technologies pourraient apporter :
- accélération de la recherche sur l’antibiorésistance, problématique forte dans les hôpitaux français ;
- aide à la conception de nouveaux antibiotiques ou de nouvelles approches thérapeutiques ;
- meilleure anticipation des résistances émergentes, en lien avec les agences sanitaires.
La mise en œuvre reste encadrée par la réglementation nationale et européenne sur les données de santé, la bioéthique et l’usage de l’IA, mais la direction prise au Royaume‑Uni et aux États‑Unis donne une idée de la trajectoire globale.
Comprendre quelques termes clés de cette révolution
Pour saisir les enjeux, deux notions méritent un éclairage particulier. D’abord, la « superbactérie » : il s’agit d’une bactérie qui a accumulé plusieurs mécanismes de défense contre différents antibiotiques. Ces défenses sont souvent codées par des gènes portés sur le chromosome bactérien ou sur de petites molécules circulaires d’ADN, appelées plasmides, qui peuvent se transmettre entre bactéries.
Ensuite, les « nucléotides » évoqués dans le projet Evo 2. Un nucléotide est un bloc élémentaire qui compose l’ADN. Les combinaisons de ces blocs forment les gènes, et la moindre variation peut modifier le comportement d’une cellule. En traitant des milliards de ces unités, une IA peut identifier des motifs et des régularités impossibles à repérer à l’œil nu ou avec des méthodes classiques.
Dans des domaines comme l’antibiorésistance, ce type d’analyse peut, par exemple, aider à repérer des signatures génétiques caractéristiques de bactéries très résistantes, et à suivre leur diffusion géographique. Couplés aux hypothèses générées par des systèmes comme co‑scientist, ces modèles ouvrent la voie à des stratégies plus ciblées contre ces menaces invisibles, mais bien réelles, pour les systèmes de santé.
