Applications de l’IA

Des agents IA fouillent les données de millions de cellules cérébrales pour proposer des pistes de recherche

OpenAI, PerturbAI et Scripps Research décrivent un système d’agents parallèles qui relie des perturbations génétiques, des cellules du cerveau de souris et la littérature scientifique.

Illustration conceptuelle de cellules cérébrales et de pistes de données reliées à l’ADN

Les grandes expériences biologiques peuvent mesurer les conséquences de milliers de perturbations génétiques dans des millions de cellules. Elles produisent alors une masse d’observations supérieure à ce qu’une équipe peut facilement examiner, surtout lorsque les indices pertinents se trouvent dans des domaines de recherche différents.

Le 21 octobre 2026, OpenAI a décrit un travail mené avec PerturbAI et Scripps Research : des milliers d’agents d’intelligence artificielle ont analysé en parallèle un atlas CRISPR du cerveau de souris, reliant les effets des perturbations à la littérature scientifique. Selon la présentation du projet, l’exploration a duré 32 minutes et a fait émerger plusieurs pistes sur la biologie cérébrale, dont une hypothèse autour du gène DCTN1 et du métabolisme du cholestérol.

Cette annonce ne signifie pas que l’IA a découvert un traitement contre une maladie neurodégénérative. Elle concerne l’analyse de données préexistantes et la formulation de pistes à examiner. Les auteurs présentent l’outil comme un moyen d’aider les chercheurs à trouver des liens inattendus et à choisir de futures expériences. Pour en apprécier la portée, il faut comprendre les données, le travail distribué entre agents, les contrôles humains et les étapes de validation encore nécessaires.

Un atlas qui mesure les conséquences de perturbations génétiques

Les données analysées proviennent d’un atlas cérébral fondé sur des perturbations CRISPR. Dans ce type d’expérience, les chercheurs modifient ou désactivent certains gènes et observent comment les cellules répondent. Les mesures à l’échelle de cellules individuelles permettent de distinguer plusieurs types cellulaires et de détecter des changements qui seraient invisibles dans une moyenne globale du tissu.

Un tel atlas peut contenir un grand nombre de perturbations et de profils d’expression génétique. Pour chaque manipulation, il faut identifier quelles cellules sont touchées, quels gènes changent d’activité, si les différences sont robustes et à quelles fonctions biologiques elles pourraient correspondre. Un changement d’expression ne prouve pas à lui seul un mécanisme causal complet, mais il peut indiquer où chercher.

Le défi est de connecter les résultats expérimentaux à des connaissances accumulées dans des articles souvent dispersés entre neurosciences, génétique, biologie cellulaire et métabolisme. Une observation peut sembler banale isolément, tandis que sa combinaison avec des travaux d’un autre champ suggère une hypothèse nouvelle. L’analyse de la littérature est donc une partie importante de l’interprétation.

Les agents d’IA interviennent dans cet espace : ils parcourent des perturbations, résument les réponses cellulaires, consultent des références et rédigent des rapports explicatifs. Ils ne réalisent pas les expériences génétiques eux-mêmes. Le matériau analysé existe déjà, et leur travail consiste à en proposer une lecture structurée.

Pourquoi distribuer le travail entre de nombreux agents

L’équipe décrit une méthode de « raisonnement biologique distribué ». Au lieu de confier tout l’atlas à un seul agent, le système envoie des unités de travail à de nombreux agents alimentés par le modèle GPT-Rosalind. Chaque agent examine une perturbation, identifie les effets observés, recherche des publications pertinentes et formule une explication possible.

Les rapports sont ensuite regroupés dans un atlas de raisonnement qui relie les gènes perturbés, les réponses cellulaires, les articles cités et les mécanismes proposés. Une organisation en parallèle permet d’examiner un grand nombre de cas simultanément, puis de comparer leurs résultats. Elle peut également limiter la tendance d’un agent unique à se concentrer sur quelques signaux dominants lorsqu’il doit gérer une tâche trop vaste.

Les auteurs ont comparé cette approche distribuée à une analyse avec un agent unique, en maintenant le modèle et les ressources à disposition aussi proches que possible. À grande échelle, l’agent unique consultait moins la littérature et ne citait que 11 références pour le niveau de charge étudié ; les agents distribués en citaient plus de 700. Lors d’évaluations à l’aveugle, les experts humains ont préféré les rapports distribués 75 % du temps.

Ces chiffres indiquent un avantage dans cette comparaison précise, pas une loi universelle selon laquelle multiplier les agents améliore toujours les résultats. La qualité dépend de la répartition des tâches, de la coordination, de la déduplication des sources, de la sélection du modèle et de la manière dont les rapports sont évalués. Une équipe doit aussi vérifier que les références soutiennent effectivement les affirmations, et qu’une conclusion n’est pas répétée simplement parce que plusieurs agents ont consulté les mêmes articles.

Une analyse rapportée en 32 minutes, mais pas une découverte médicale instantanée

La durée de 32 minutes concerne l’analyse distribuée de l’atlas et la génération de pistes. Elle ne comprend pas le temps nécessaire à la production des données expérimentales, à la construction des atlas, à la préparation du système, à l’examen humain des rapports ou aux expériences de validation qui suivront.

La comparaison avancée par l’équipe estime qu’une analyse humaine comparable, conduite perturbation par perturbation avec revue de la littérature, pourrait prendre de plusieurs mois à un an. Cette estimation dépend de la méthode de comparaison et des ressources humaines considérées. Elle exprime surtout l’écart entre le débit de calcul d’agents parallèles et le temps disponible pour une revue manuelle exhaustive.

Le système peut aider les chercheurs à explorer davantage de données et à faire remonter des éléments moins évidents. Cela ne veut pas dire qu’il comprend une maladie dans son ensemble. La biologie comprend de multiples types cellulaires, des interactions à différentes échelles, des effets dépendant du temps et des différences entre organisme modèle et humain. Une piste générée doit être réinscrite dans ce contexte avant de devenir une conclusion.

Une affirmation temporelle spectaculaire doit aussi être replacée dans la chaîne de recherche. Les 32 minutes ne sont pas « 32 minutes pour trouver un remède », mais un temps de traitement et de raisonnement sur des données disponibles, suivi d’une priorisation scientifique. Le travail expérimental peut, lui, prendre des semaines, des mois ou davantage.

Une piste autour des gènes TSC1 et TSC2

Parmi les résultats décrits, les agents ont relevé une différence entre Tsc1 et Tsc2, deux gènes qui participent au contrôle de mTOR, une voie importante dans la croissance et le métabolisme cellulaires. Dans plusieurs groupes neuronaux, les perturbations produisaient des effets similaires. Dans le cervelet, la perturbation de Tsc2 modifiait l’activité de nombreux gènes impliqués dans la communication neuronale, tandis que la perturbation de Tsc1 provoquait peu de changements comparables.

Cette asymétrie mérite une investigation parce que les gènes sont souvent présentés ensemble dans la régulation de mTOR, et que les manifestations neurologiques de mutations liées à la sclérose tubéreuse peuvent comprendre des difficultés que les traitements actuels ne résolvent pas toujours. L’analyse suggère des types cellulaires et des changements à étudier plus précisément.

Il faut éviter de traduire ce résultat par « TSC2 cause à lui seul un trouble cérébral précis ». Les données proviennent d’un modèle murin et d’une perturbation définie. Les différences doivent être répliquées, caractérisées avec d’autres mesures et comparées à des tissus ou modèles pertinents pour la maladie humaine. Le lien de mécanisme peut dépendre de l’âge, du type cellulaire, de l’environnement ou d’autres variations génétiques.

La valeur de la piste est qu’elle aide à poser une question expérimentale plus précise : quelles cellules sont concernées, quels changements peuvent être corrigés et par quelles interventions ? Cette formulation transforme une observation dans un tableau de données en programme de suivi, sans préjuger de la réponse.

Une hypothèse reliant DCTN1 au cholestérol

Un autre exemple concerne DCTN1, un gène impliqué dans le transport de matériel à l’intérieur des neurones et associé à une maladie neurodégénérative rare, le syndrome de Perry. Dans l’atlas, la perturbation de Dctn1 s’accompagnait d’une augmentation de l’expression de gènes liés à la production du cholestérol.

Les agents ont relié cette observation à des travaux sur le transport intracellulaire du cholestérol. Ils ont proposé une piste : une perturbation du transport pourrait modifier la distribution du cholestérol dans les neurones, et la cellule pourrait répondre en augmentant sa synthèse. Si cette relation est confirmée, elle aiderait à étudier les mécanismes susceptibles de contribuer à la neurodégénérescence.

Chaque étape de cette chaîne reste à tester. L’expression de gènes de synthèse ne donne pas directement la quantité de cholestérol effectivement produite, ni sa localisation dans les compartiments neuronaux. Il faut mesurer les molécules, suivre leur transport et vérifier si les changements influencent la survie ou le fonctionnement des neurones. Une éventuelle intervention visant à restaurer la distribution normale ne pourrait être envisagée qu’après des preuves supplémentaires.

L’intérêt de l’IA se situe ici dans l’assemblage d’indices : une perturbation, une réponse transcriptionnelle et des connaissances publiées sur un mécanisme connexe. Des chercheurs peuvent alors décider si le lien est nouveau, plausible et testable. Les experts de l’étude ont jugé cette hypothèse digne d’un suivi, mais ce jugement n’équivaut pas à une validation biologique.

Pourquoi les scientifiques restent responsables de la découverte

Les auteurs insistent sur le rôle des scientifiques dans la sélection des idées et la conception des expériences. Une proposition automatique peut être séduisante parce qu’elle relie des domaines différents, mais elle peut aussi reposer sur une analogie trop large, une publication faible ou une interprétation erronée d’un résultat.

Les experts doivent vérifier que la perturbation est correctement interprétée, que les références citées disent bien ce que le rapport affirme, que la relation n’est pas déjà connue et que la prochaine expérience permet de distinguer des mécanismes alternatifs. L’IA peut accélérer la préparation d’une hypothèse ; le laboratoire et l’analyse indépendante déterminent si cette hypothèse survit au test.

Le processus exige aussi une gouvernance des données. Les atlas biologiques peuvent contenir des informations sensibles, notamment lorsqu’ils proviennent de patients. Dans le cas présenté, les auteurs décrivent une base de cellules cérébrales de souris, mais la généralisation à des données humaines nécessiterait des protections et des autorisations appropriées. Les accès, les journaux, les conditions d’utilisation des articles et la conservation des données doivent être définis.

Il faut enfin tenir compte des biais du corpus scientifique. La littérature publiée surreprésente certains organismes, mécanismes et résultats positifs. Un agent qui s’appuie dessus peut hériter de ces asymétries et proposer moins de pistes sur les phénomènes peu étudiés. Des évaluations robustes devraient examiner la diversité des domaines cités, la qualité des références et la capacité du système à signaler une connaissance insuffisante.

Les contrôles nécessaires pour passer d’une piste à un résultat

Une piste comme DCTN1 et le cholestérol peut être testée à plusieurs niveaux. Une équipe pourrait d’abord reproduire l’analyse sur des échantillons indépendants ou d’autres atlas. Elle pourrait mesurer directement les niveaux et la localisation du cholestérol après perturbation du gène, puis vérifier si le phénomène se retrouve dans différents types de neurones.

Des expériences de sauvetage peuvent ensuite tester la causalité : si une intervention restaure le transport ou ajuste la voie métabolique, les changements observés diminuent-ils ? Il faut contrôler les effets non spécifiques et déterminer si le résultat dépend de la méthode de perturbation. Des modèles animaux ou cellulaires supplémentaires sont nécessaires avant toute inférence clinique.

Pour l’hypothèse TSC1/TSC2, il faudrait également confirmer que les différences du cervelet ne sont pas dues à des variations de qualité de séquençage, de composition cellulaire ou de conditions expérimentales. Les observations pourraient être comparées à des modèles de maladie et aux tissus humains disponibles, en tenant compte de leur représentativité.

Dans les deux cas, la bonne mesure de succès n’est pas le nombre de rapports produits. C’est la proportion de pistes qui sont reproductibles, spécifiques, utiles pour choisir une expérience et confirmées par des mesures indépendantes. Il serait également intéressant de suivre les hypothèses qui échouent : un système qui rend visibles ses erreurs et améliore ses priorités peut être plus utile qu’un générateur de récits convaincants.

Les avantages et les risques du raisonnement distribué

La distribution du travail permet de traiter un atlas vaste sans demander à un seul modèle de garder en mémoire toutes les perturbations et toutes les références. Chaque agent peut examiner un sous-problème, ce qui ouvre la voie à une couverture plus large. Les résultats peuvent ensuite être agrégés et comparés.

Cette architecture introduit cependant des risques. Plusieurs agents peuvent produire des rapports redondants ou s’appuyer sur des sources identiques. Les erreurs peuvent se propager si un résumé incorrect devient une prémisse pour les étapes suivantes. Une synthèse centrale peut aussi sélectionner certains résultats et en écarter d’autres selon des critères peu visibles.

Le coût de calcul, la latence et l’empreinte énergétique augmentent avec le nombre d’agents et la quantité de recherches effectuées. Le choix du niveau de parallélisme doit être évalué face au bénéfice scientifique : examiner davantage de pistes n’est utile que si les résultats restent contrôlables et si les meilleures pistes sont correctement hiérarchisées.

Un système de ce type devrait conserver des traces des requêtes, des sources consultées, des décisions de filtrage et des versions de données. Cela permet aux chercheurs de remonter d’une conclusion à l’observation initiale et de vérifier le cheminement. Sans cette traçabilité, une carte de raisonnements peut être difficile à auditer malgré sa présentation structurée.

Un atlas de raisonnement, pas une base de vérité

Les auteurs indiquent que l’atlas de raisonnement est disponible pour permettre à d’autres chercheurs d’explorer les liens proposés. Cette ouverture peut faciliter la vérification, encourager des analyses indépendantes et aider les équipes à sélectionner des questions.

Il faut néanmoins lire une carte générée comme un outil de navigation, pas comme une encyclopédie validée. Les associations entre gènes, cellules et articles peuvent avoir différents niveaux de preuve. Une relation observée dans une expérience, une hypothèse causale et une application thérapeutique ne doivent pas recevoir le même statut.

Une interface utile devrait distinguer clairement ces niveaux, montrer les références à la source et préciser les limites de la mesure. Elle devrait aussi permettre de retrouver les critères de génération et les données concernées. L’accessibilité d’un graphe de connaissances ne remplace pas l’expertise nécessaire à son interprétation.

Pour les chercheurs, ce type d’outil peut aider à faire émerger des connexions interdisciplinaires et à éviter que des signaux faibles soient ignorés. Pour le public, il est important de ne pas assimiler une hypothèse plausible à un traitement disponible. Le temps gagné dans l’analyse est une avancée de méthode ; les bénéfices médicaux éventuels dépendent d’un parcours de recherche beaucoup plus long.

Comment juger cette prouesse sans exagérer

Le travail est intéressant à plusieurs titres. Il applique une organisation distribuée à un jeu de données biologique très large, compare cette approche à un agent unique, s’appuie sur des évaluations d’experts et publie un atlas de pistes. Il montre comment l’IA peut contribuer à explorer les résultats d’expériences existantes et à relier des observations à la littérature.

Les limites sont tout aussi essentielles. Les pistes restent des hypothèses, l’exemple porte sur des données murines, et les mécanismes proposés n’ont pas tous été validés expérimentalement dans le cadre de l’annonce. L’évaluation préférentielle des experts mesure la qualité perçue des rapports, pas la vérité de chaque mécanisme. Le temps de traitement ne représente pas le temps jusqu’à un traitement ou une découverte clinique.

Ce cas complète d’autres démonstrations récentes. MOFGen va jusqu’à la synthèse de matériaux candidats, tandis qu’AI-Newton teste une approche pour retrouver des lois générales dans des données mécaniques simulées. Ces travaux partagent une même leçon : le système peut accélérer une étape ciblée, mais chaque domaine a ses propres critères de validation.

Ce que les prochaines études devront montrer

Les suites les plus convaincantes associeraient les hypothèses produites à des protocoles préenregistrés ou définis avant les expériences de validation. Les chercheurs pourraient alors mesurer combien de pistes survivent, quels types de mécanismes sont confirmés et si la méthode aide à trouver des relations qu’une analyse conventionnelle aurait manquées.

Les évaluations pourraient aussi distinguer plusieurs résultats : justesse des résumés, qualité des sources, nouveauté de l’hypothèse, capacité à proposer une expérience informative et confirmation expérimentale. Un seul score global risquerait de masquer les forces et faiblesses du système.

Pour confirmer une utilité générale, il faudra tester d’autres tissus, espèces, technologies expérimentales et domaines biologiques, puis comparer les performances avec des équipes humaines disposant de ressources réalistes. Les chercheurs devront également publier les limites de l’agent, les coûts de calcul et les règles de sélection des rapports transmis aux experts.

Conclusion : un outil pour transformer davantage de données en questions testables

L’expérience conduite par OpenAI, PerturbAI et Scripps Research illustre une capacité utile : répartir l’exploration de données biologiques entre de nombreux agents et connecter les résultats à des connaissances dispersées dans la littérature. Les pistes sur TSC1/TSC2 et DCTN1 montrent comment des différences observées dans un atlas peuvent aider à formuler des questions de recherche plus précises.

Ce travail ne constitue pas une découverte de traitement contre Alzheimer ou Parkinson. Il s’agit d’une analyse de données de souris qui propose des mécanismes possibles et des expériences à mener. L’étape décisive reste la validation biologique, puis la reproduction indépendante et l’évaluation de la pertinence pour l’humain.

La prouesse est donc méthodologique : l’IA aide à parcourir un espace d’observations que les équipes n’auraient peut-être pas le temps de lire ligne par ligne. Les scientifiques restent responsables de déterminer quelles pistes sont crédibles, comment les tester et si les résultats modifient réellement la compréhension du vivant.

Sources