Il suffit parfois d’une question entendue dans une conférence : « Mais si on utilise l’IA pour analyser de l’ADN, ne risque-t-elle pas de se tromper ? » La réponse est oui. Et c’est précisément pour cela qu’on ne lui confie pas les clés du laboratoire en lui souhaitant bonne chance. (Lire aussi : Une IA réfléchit-elle vraiment ? Comprendre simplement comment elle apprend et répond)

Hier on a annoncé un vaccin pour des cancer de la peau, une sorte de couplage entre ARN messager et IA… Mais alors ? Dans la recherche scientifique et médicale, l’intelligence artificielle n’est pas utilisée comme nous utilisons ChatGPT pour résumer un document. Elle est entraînée pour une tâche déterminée, sur des données sélectionnées, puis testée, mesurée, comparée et supervisée par des spécialistes.

Et les résultats sont déjà très concrets : interprétation de variations de l’ADN, prédiction de la forme des protéines, aide au dépistage du cancer du sein, recherche de nouveaux médicaments ou reconnaissance visuelle de bagages. Dans tous ces cas, l’intérêt de l’IA est assez similaire : examiner énormément de données et y rechercher des motifs qu’un humain mettrait beaucoup plus longtemps à identifier.

🧬 1. ADN : aider les chercheurs à comprendre les variations génétiques

Un génome humain représente environ 3 milliards de paires de bases. Autrement dit, demander à un chercheur d’examiner manuellement toutes les combinaisons possibles n’est pas exactement un projet pour son vendredi après-midi.

C’est précisément le type de problème pour lequel l’apprentissage automatique devient intéressant.

En janvier 2026, une équipe de Google DeepMind a publié dans Nature les travaux consacrés à AlphaGenome, un modèle conçu pour prédire les effets de variations dans les séquences d’ADN. Il peut analyser jusqu’à un million de paires de bases et prédire simultanément des milliers de signaux biologiques liés notamment à l’expression des gènes, à l’accessibilité de l’ADN ou à l’épissage.

L’enjeu est considérable : une grande partie des variations génétiques humaines se situe dans des régions qui ne codent pas directement des protéines et dont les effets restent difficiles à interpréter. AlphaGenome peut aider les scientifiques à prioriser les variants génétiques qui méritent d’être étudiés expérimentalement.

Mais attention au vocabulaire : l’IA ne « comprend » pas votre ADN et ne pose pas à elle seule un diagnostic. Elle produit des prédictions. Aux généticiens, biologistes et médecins de les interpréter et de les confronter aux autres données disponibles.

🧪 2. AlphaFold : quand l’IA aide à comprendre les protéines

C’est probablement l’un des exemples les plus spectaculaires de l’apport de l’IA à la science. Pour comprendre le fonctionnement d’une protéine, les chercheurs ont besoin de connaître sa structure tridimensionnelle. Pendant des décennies, déterminer cette structure expérimentalement pouvait nécessiter des mois, voire des années de travail.

En 2020, AlphaFold2, développé par Google DeepMind, a montré qu’un modèle d’IA pouvait prédire avec une précision remarquable la structure tridimensionnelle d’une protéine à partir de sa séquence d’acides aminés… Le système a depuis permis de prédire les structures de pratiquement 200 millions de protéines connues. En octobre 2024, plus de 2 millions de personnes dans 190 pays avaient utilisé AlphaFold.

L’importance scientifique de ces travaux a été consacrée par le prix Nobel de chimie 2024, attribué pour moitié à David Baker pour la conception computationnelle de protéines et pour l’autre moitié à Demis Hassabis et John Jumper pour la prédiction de leur structure. Concrètement, cela peut accélérer les travaux sur les maladies, les médicaments, la résistance aux antibiotiques ou encore certaines enzymes.

Là encore, AlphaFold ne remplace pas le biologiste. Il lui fournit une hypothèse structurale extraordinairement rapide à explorer et à vérifier.

🎗️ 3. Cancer du sein : l’IA comme deuxième paire d’yeux

Voilà un exemple particulièrement parlant.

Dans plusieurs programmes européens de dépistage du cancer du sein, les mammographies font traditionnellement l’objet d’une double lecture par des radiologues. L’essai randomisé suédois MASAI a comparé cette organisation à un dépistage assisté par IA.

Sur plus de 105 000 femmes, le système utilisait l’IA pour évaluer les examens et signaler aux radiologues les zones suspectes.

Les résultats publiés dans The Lancet Digital Health en 2025 sont particulièrement intéressants : 338 cancers ont été détectés dans le groupe assisté par IA contre 262 dans le groupe témoin, soit un taux de détection supérieur de 29 %. Dans le même temps, la charge de lecture des mammographies a diminué de 44,2 %, sans augmentation significative des faux positifs.

Les travaux se sont poursuivis et même généralisés: les résultats portant sur les cancers d’intervalle ont été publiés dans The Lancet en 2026.

Ce cas résume parfaitement la bonne utilisation de l’IA en médecine : l’IA analyse, alerte et priorise ; le professionnel de santé reste responsable de l’interprétation clinique.

🔬 4. Anatomopathologie : repérer des zones suspectes parmi des millions de pixels

Le même principe peut être appliqué aux images issues de biopsies.

Une lame numérisée contient une quantité considérable d’informations. Des algorithmes de vision peuvent être entraînés à repérer certaines formes cellulaires ou zones susceptibles d’être anormales.

Au lieu de demander à l’IA : « Ce patient a-t-il un cancer ? », on lui confie une mission beaucoup plus encadrée :

« Parmi ces images, indique les régions présentant des caractéristiques correspondant à celles apprises sur les données d’entraînement. »

Le pathologiste peut alors examiner en priorité ces zones.

La nuance paraît sémantique. Elle est fondamentale scientifiquement.

💊 5. Chercher des médicaments parmi des millions de molécules

Développer un médicament reste un processus extrêmement long et incertain. L’IA peut intervenir à plusieurs étapes : identification d’une cible biologique, sélection de molécules candidates, prédiction de certaines propriétés, optimisation moléculaire ou préparation des essais précliniques.

Une revue publiée en 2025 dans Nature Medicine décrit ainsi l’utilisation croissante de l’IA tout au long de la chaîne de développement des médicaments.Et nous avons dépassé le stade des démonstrations informatiques.

En 2025, Nature Medicine rapportait les résultats d’un essai clinique de phase 2a portant sur une combinaison cible-médicament découverte à l’aide de l’IA pour la fibrose pulmonaire idiopathique, avec des résultats de sécurité et des premiers signes d’efficacité.

L’IA permet donc de réduire l’espace de recherche. Imaginez 10 millions de candidats possibles. Si un modèle permet d’en sélectionner quelques milliers particulièrement prometteurs avant les expériences coûteuses en laboratoire, le gain potentiel est considérable.

Mais les molécules retenues doivent toujours passer par les mêmes étapes scientifiques : laboratoire, essais précliniques, essais cliniques et validation réglementaire.

🦠 6. Trouver des motifs invisibles dans d’immenses volumes de données

On retrouve la même logique dans de nombreuses disciplines. Un modèle peut comparer des milliers d’images médicales, des séquences génétiques, des résultats biologiques, des structures moléculaires ou des données environnementales.

Son intérêt n’est pas de « savoir mieux que le scientifique ». Il est capable de réaliser des millions de comparaisons très rapidement et de faire émerger des corrélations ou des candidats intéressants.

Le chercheur peut ensuite se demander : Pourquoi ce groupe ressort-il ? Cette corrélation a-t-elle une explication biologique ? Peut-on la reproduire expérimentalement ?

L’IA devient ainsi une machine à générer et prioriser des hypothèses, pas une machine à produire automatiquement des vérités.

🧳 7. Et parfois, la même logique permet de retrouver une valise

Pour comprendre le mécanisme sans blouse blanche, prenons un exemple beaucoup plus quotidien : un bagage perdu.

Les technologies de vision par ordinateur permettent désormais de photographier un bagage et d’en extraire automatiquement certaines caractéristiques visuelles afin de retrouver une correspondance. La solution, développée avec Air France, utilise par exemple plusieurs images d’un bagage pour créer une sorte d’identité visuelle. Celle de la SNCF à laquelle j’ia participée, permettre de multiplier par 10 ou la reconnaissance, le suivi mais aussi la securité des baggages

Le principe algorithmique est voisin : apprendre des caractéristiques à partir d’exemples, comparer une nouvelle donnée à ce qui a été appris et produire un score ou une prédiction.

Ce qui change radicalement, c’est le niveau de risque. Confondre deux valises est gênant. Se tromper sur une anomalie médicale peut avoir des conséquences autrement plus importantes.

🧠 Une IA scientifique doit être entraînée, testée… et surveillée

Il faut donc sortir d’une idée assez répandue : on ne prend pas un chatbot généraliste, on ne lui dépose pas quelques milliers de mammographies et on ne lui demande pas : « Alors, docteur ? » Un système scientifique sérieux repose sur une méthodologie beaucoup plus rigoureuse.

Étape 1 : définir précisément le problème

Que doit détecter ou prédire le modèle ? Une mutation ? Une structure protéique ? Une anomalie sur une mammographie ? La probabilité qu’une molécule possède une propriété déterminée ?

Plus la question est précise, plus le modèle peut être évalué objectivement.

Étape 2 : disposer de données de qualité

Les données doivent être suffisamment nombreuses, correctement annotées et représentatives de la population ou du phénomène étudié. Une IA entraînée sur de mauvaises données apprend… de mauvaises choses, mais très efficacement.

Étape 3 : séparer entraînement et évaluation

On ne juge évidemment pas un modèle uniquement sur les exemples qu’il a déjà vus. Il faut l’évaluer sur des données indépendantes afin de vérifier sa capacité à généraliser.

Étape 4 : mesurer les erreurs

En médecine notamment, annoncer « 95 % de précision » ne suffit pas. Il faut connaître la sensibilité, la spécificité, les faux positifs, les faux négatifs et les performances selon les différentes populations.

Étape 5 : comparer avec une référence

Le modèle doit être comparé aux méthodes existantes et, lorsque c’est nécessaire, faire l’objet d’études prospectives ou d’essais contrôlés.

Étape 6 : garder l’humain dans la boucle

Enfin, un résultat produit par une IA n’est pas automatiquement une conclusion scientifique. lire ausi : HumanInTheLoop

Il doit pouvoir être analysé, reproduit, confronté aux connaissances existantes et, lorsque c’est nécessaire, vérifié expérimentalement.

⚠️ Non, ces IA ne doivent pas être mises entre toutes les mains

C’est probablement le point essentiel. La démocratisation des IA génératives donne parfois l’impression que n’importe qui peut devenir généticien, radiologue ou biologiste avec le bon prompt. Non.

Un modèle spécialisé peut être extrêmement performant dans le contexte précis pour lequel il a été développé et validé.En dehors de ce contexte, sa prédiction peut perdre une grande partie de sa valeur.

AlphaGenome n’est pas un médecin généticien. AlphaFold n’est pas un biologiste. Une IA de mammographie n’est pas un radiologue. Ces systèmes sont des outils destinés à augmenter les capacités de spécialistes qui savent ce qu’ils cherchent, connaissent les limites des données et peuvent détecter un résultat incohérent.

C’est d’ailleurs l’une des différences fondamentales entre l’IA scientifique et l’IA générative grand public : la qualité d’un système scientifique ne se mesure pas à la beauté de sa réponse, mais à la capacité de mesurer ses performances et ses erreurs.

En savoir plus

Étude MASAI sur l’IA et le dépistage du cancer du sein – The Lancet Digital Health

IA et dépistage du cancer du sein (Elsan)

AlphaGenome : prédire les effets des variations de l’ADN – Nature

AlphaGenome expliqué par Google DeepMind

Prix Nobel de chimie 2024 : AlphaFold et la prédiction des protéines

L’intelligence artificielle dans le développement de médicaments – Nature Medicine

IA et identification visuelle des bagages – SITA

#IntelligenceArtificielle #IA #RechercheScientifique #Santé #Médecine #Cancer #ADN #Génétique #Recherche #DeepLearning #IAPratique