Un problème d’abondance, pas de pénurie

La biologie moderne produit des ensembles de données que les équipes humaines ne peuvent pas examiner ligne par ligne. Un atlas obtenu après perturbation de milliers de gènes peut contenir les réponses de millions de cellules. Le défi n’est plus seulement de mesurer, mais de relier chaque signal à des décennies de publications et de décider quelle expérience mérite du temps et de l’argent.

Le 21 octobre, OpenAI a décrit un travail mené avec PerturbAI et Scripps Research sur un atlas CRISPR du cerveau entier de souris. Chaque agent, alimenté par GPT-Rosalind, recevait une perturbation génétique à étudier. Il examinait la réponse cellulaire, recherchait des travaux scientifiques et proposait une explication. Les résultats ont ensuite été réunis dans une carte reliant gènes, cellules et littérature.

Trente-deux minutes ne remplacent pas des années de validation

Selon les auteurs, l’analyse de millions de cellules a pris 32 minutes. Cette durée mesure le traitement informatique de données déjà produites ; elle ne comprend ni la préparation des animaux, ni l’expérience, ni la validation des pistes. Les connexions signalées concernent notamment des mécanismes liés à Alzheimer et Parkinson, mais elles ne démontrent pas qu’un médicament fonctionne.

Le document scientifique est une prépublication. Il doit être évalué par la communauté, reproduit et confronté à des expériences indépendantes. Une association statistique peut venir d’un biais dans les données, d’une publication mal interprétée ou d’un mécanisme propre à la souris.

Une nouvelle division du travail scientifique

L’intérêt concret réside dans la répartition des tâches. Au lieu de demander à un seul modèle de produire une synthèse générale, des milliers d’agents traitent des questions limitées en parallèle. Les chercheurs peuvent ensuite examiner les pistes classées, vérifier les références et décider lesquelles méritent une expérience.

Cette organisation pourrait accélérer la génomique, la recherche sur les maladies rares ou l’étude de médicaments. Elle crée aussi de nouvelles exigences : conserver la trace des sources, détecter les contradictions, mesurer les faux positifs, protéger les données sensibles et garantir qu’un humain reste responsable de la décision expérimentale.

La prochaine étape se joue au laboratoire

L’IA peut élargir le nombre d’hypothèses considérées, mais elle ne transforme pas une corrélation en causalité. La valeur du système se mesurera au nombre de pistes confirmées, au coût des expériences évitées et à sa capacité à signaler ses incertitudes. Pour les patients, les effets éventuels restent lointains. Pour les scientifiques, la promesse est plus immédiate : consacrer moins de temps au tri initial et davantage à la vérification.

Conclusion

Cette expérience montre une IA capable d’augmenter l’attention scientifique. Elle n’annonce pas un remède découvert en 32 minutes. Elle propose une méthode pour repérer plus vite les questions qui valent la peine d’être posées.