Cellule virtuelle : l’IA peut-elle prévoir le vivant ?

DEMAIN · Dossier MOC · 8 octobre 2026

Une cellule réelle reçoit une molécule. Ses gènes, ses protéines et son activité peuvent changer. Une cellule virtuelle cherche à prévoir une partie de ces transformations à partir de mesures expérimentales et d’un modèle informatique. Le défi scientifique consiste à rendre ces prévisions utiles à une décision de laboratoire, pas seulement à produire une image convaincante.

Le réel MOC : comprendre en 38 secondes

Animations pédagogiques illustratives ; la microscopie réelle est créditée ci-dessous. Une animation ne constitue pas une simulation scientifique validée.

Voir le vivant, comprendre le modèle

Le circuit scientifique d’une cellule virtuelle

1. Mesurer des cellules réelles : gènes, images et perturbations.
2. Entraîner et évaluer le modèle informatique.
3. Prédire un effet mesurable.
4. Tester la prédiction au laboratoire.
5. Corriger le modèle avec les nouvelles mesures.

Vidéo : les chercheurs expliquent le défi

Pourquoi le sujet revient maintenant

Le 7 octobre 2026, Biohub annonce une expansion internationale de sa Virtual Biology Initiative : 1,8 milliard de dollars combinant financement, données, calcul et nouvelles technologies de mesure. Le montant n’est pas entièrement un nouvel apport en espèces : il comprend notamment des ressources développées grâce à plus de 500 millions de dollars d’investissements fédéraux antérieurs coordonnés par le NIH. Le DOE prévoit plus de 500 millions sur cinq ans ; Google DeepMind, Isomorphic Labs et Meta annoncent collectivement 300 millions. L’initiative avait été annoncée en avril 2026.

L’objectif est de générer des données ouvertes et standardisées pour entraîner des modèles prédictifs de la biologie. Une annonce de financement ne prouve ni une cellule numérique achevée ni un médicament efficace. Communiqué Biohub, 7 octobre 2026 · Confirmation Reuters.

Trois choses à ne pas confondre

1. Un atlas : cartographie de cellules et de leurs caractéristiques. Il apporte les données, sans simuler automatiquement une intervention.
2. Un modèle de représentation : apprend des régularités, aide à classer les cellules ou intégrer des jeux de données. Cette réussite ne suffit pas à prouver une prédiction causale.
3. Un simulateur prédictif : reçoit un état initial et une intervention, puis prévoit un résultat mesurable. Son utilité dépend du contexte biologique couvert et de sa validation.

Les approches mécanistes décrivent explicitement des réactions et des paramètres ; les approches IA apprennent des relations dans les observations ; les systèmes hybrides combinent les deux. Le logiciel VCell d’UConn rappelle que la simulation cellulaire existait avant l’actuelle vague d’IA. VCell · Université du Connecticut.

Carte des principaux efforts documentés

Sources : Arc · scFoundation, Nature Methods 2024 · Toronto · Alpha Cell · Financement, 26 mars 2026 · Helmholtz · AIDO Cell · RIKEN · HCA Afrique · LatinCells.

Ce qui a réellement été mis à l’épreuve

Le bilan du challenge Arc 2025, publié le 6 décembre 2025, indique que les modèles ne dépassaient pas systématiquement des références simples sur toutes les métriques. Les solutions gagnantes combinaient apprentissage et caractéristiques statistiques. Le concours utilisait environ 300 000 profils de cellules souches embryonnaires humaines et 300 interventions CRISPRi. C’est une expérience d’évaluation ciblée, pas un examen de toutes les fonctions cellulaires. Le challenge 2026 met l’accent sur des contextes cellulaires jamais vus ; ses objectifs ne doivent pas être présentés comme des résultats finaux.

Bilan Arc 2025 · Challenge 2026.

Une étude évaluée par les pairs dans Nature Methods en 2025 compare cinq modèles de fondation et deux autres modèles d’apprentissage profond à des références volontairement simples pour la prédiction d’effets de perturbations génétiques. Sa conclusion appelle à des comparaisons solides avant de déclarer une supériorité de l’IA ; elle ne condamne pas tous les modèles futurs. Un autre benchmark examine 27 méthodes, 29 jeux de données et six métriques : le contexte de test compte autant que le classement.

Ahlmann-Eltze et collaborateurs, 2025 · Benchmark de généralisation. Résumés publics consultés ; l’ouverture intégrale de ces deux pages a échoué.

Le cas AIDO : ambitieux, mais à attribuer correctement

GenBio décrit un état cellulaire persistant permettant d’enchaîner des interventions et de demander différentes observations. Sa publication porte sur deux lignées humaines, K-562 et Hep-G2. Les performances annoncées relèvent d’un benchmark du développeur ; le rapport technique est proposé sur demande et n’a pas été obtenu ici. L’accès décrit concerne l’équipe et des collaborateurs alpha, avec un programme d’accès anticipé en préparation. Le texte reconnaît que la validation d’une simulation multiscalaire reste un défi. Ce cas mérite un encadré documentaire, sans reprendre la promesse d’un simulateur général comme une preuve indépendante.

Ce que cela pourrait changer concrètement

• Prioriser des expériences : retenir les interventions prometteuses avant d’engager du temps au laboratoire.
• Explorer des mécanismes : relier une modification à des variations de gènes, protéines ou morphologie.
• Étudier des combinaisons : formuler des hypothèses lorsque le nombre d’expériences possibles devient très grand.
• Améliorer les données : une simulation qui échoue peut signaler un contexte insuffisamment mesuré.

Ce sont des usages de recherche et des objectifs. Les sources consultées ne permettent pas de chiffrer un gain universel de coût, de délai ou de succès thérapeutique.

Les six verrous à examiner

1. Généralisation : une lignée de laboratoire ne représente pas toutes les cellules d’un patient.
2. Causalité : une corrélation apprise ne garantit pas la réaction à une intervention nouvelle.
3. Temps et contexte : doses, durée, environnement et interactions entre cellules modifient les réponses.
4. Mesures : profils d’ARN, protéines, images et métabolites observent des facettes différentes du vivant.
5. Validation : séparation des données, références statistiques fortes et expériences prospectives indépendantes.
6. Diversité et gouvernance : qualité des données, consentement, représentativité et droits d’accès.

Une étude sur la représentativité des atlas relève des déséquilibres démographiques : les données servant d’entraînement peuvent transmettre ces limites aux modèles. Mount Sinai, présentation de l’étude 2026 · Publication scientifique.

Le verdict MOC

Un potentiel considérable pour mieux choisir les expériences. Mais les progrès doivent se juger sur des résultats expérimentaux : un budget, une animation ou un classement ne constituent pas une preuve de traitement efficace.

Dans notre rubrique DEMAIN, ce sujet ouvre une fenêtre sur les applications scientifiques de l’IA. Son lien avec les objets connectés est indirect : il concerne ici la recherche biologique.

Sources et méthode

Dossier international établi au 8 octobre 2026. Les liens scientifiques sont indiqués au fil du texte. Les résultats annoncés par des développeurs sont distingués des évaluations indépendantes ; certaines publications ne sont accessibles que par leur résumé. Cette sélection ne prétend pas à l’exhaustivité mondiale.

MOC décrypte et analyse pour vous.

À lire aussi : L’IA et la recherche de civilisations extraterrestres · Agents IA : qui garde le contrôle ?