Le « co-scientifique IA » de DeepMind propose des idées de médicaments confirmées en laboratoire

Quand un système d’IA suggère une idée scientifique, la question évidente est de savoir si l’idée fonctionne réellement. Une étude évaluée par les pairs publiée dans Nature en mai 2026 offre une réponse rare et encourageante : pour le « co-scientifique IA » de Google DeepMind, au moins certaines de ses propositions ont tenu lorsque les chercheurs les ont testées à la paillasse.

Le co-scientifique IA est un système multi-agents généraliste bâti sur le modèle Gemini de Google. Plutôt qu’un assistant unique, il orchestre plusieurs agents spécialisés qui génèrent, débattent, classent et affinent des hypothèses en réponse à un objectif formulé en langage naturel par un chercheur. L’article de Nature rapporte une validation initiale sur trois défis biomédicaux distincts : repositionner des médicaments existants contre la leucémie myéloïde aiguë, découvrir de nouvelles cibles pour la fibrose hépatique et expliquer un mécanisme de la résistance aux antimicrobiens.

“Une étude évaluée par les pairs publiée dans Nature en mai 2026 offre une réponse rare et encourageante : pour le « co-scientifique IA » de Google DeepMind, au moins certaines de ses propositions ont tenu lorsque les chercheurs les ont testées à la paillasse.”

Les travaux sur la leucémie constituent la démonstration la plus concrète. Le système a proposé des médicaments candidats susceptibles d’être repositionnés contre la leucémie myéloïde aiguë ; des oncologues ont examiné ses meilleures suggestions, puis les chercheurs en ont testé quelques-unes en laboratoire. Plusieurs des médicaments proposés ont inhibé la viabilité de cellules tumorales à des concentrations cliniquement pertinentes sur plusieurs lignées de cellules leucémiques — autrement dit, les hypothèses de l’IA n’étaient pas seulement plausibles sur le papier, elles ont produit des effets réels sur des cellules vivantes. Pour la résistance aux antimicrobiens, le système est parvenu de façon indépendante à une explication que des collaborateurs avaient déjà confirmée expérimentalement, une convergence frappante.

Il importe d’être précis sur ce que cela montre et ne montre pas. Ce sont des résultats précoces, au stade du laboratoire, et un signal prometteur dans des lignées cellulaires reste à de nombreuses étapes prudentes d’un traitement qu’un patient pourrait recevoir. L’équipe de DeepMind présente explicitement le co-scientifique comme un collaborateur : un outil pour aider les scientifiques à générer et à hiérarchiser des idées plus vite, les chercheurs humains concevant toujours les expériences, les menant et jugeant les résultats.

C’est dans ce cadrage que réside l’optimisme. La biomédecine moderne est submergée de littérature — aucun chercheur ne peut lire même une fraction de ce qui paraît dans son domaine — et le goulet d’étranglement n’est souvent pas les données, mais le temps humain pour les relier en hypothèses testables. Un système capable de balayer cette immensité et de faire émerger une courte liste d’idées à tester, dont certaines survivent ensuite à de vraies expériences, pourrait accélérer sensiblement le cœur peu glorieux de la science. Bien utilisé, et fermement soumis au jugement humain, c’est un outil authentiquement porteur d’espoir.