L'IA générative a franchi un jalon que les chercheurs anticipaient depuis des années. Des scientifiques de l'Université Stanford et de l'Arc Institute ont utilisé l'IA pour concevoir des génomes viraux complets à partir de zéro, 16 de ces conceptions ayant été confirmées comme des virus pleinement fonctionnels, biologiquement actifs et capables d'infecter des bactéries.

Selon une prépublication parue sur bioRxiv le 12 septembre 2025, il s'agit de la première fois que l'IA générative produit des génomes viraux fonctionnels de bout en bout. Les virus en question sont des bactériophages — des virus qui ciblent les bactéries, et non les humains.

Comment les phages conçus par l'IA ont été créés

L'équipe de recherche, dirigée par Brian Hie à Stanford avec des collaborateurs de l'Arc Institute, de NVIDIA et de UC Berkeley, a employé des modèles de langage génomique appelés Evo 1 et Evo 2. Au lieu de prédire le mot suivant dans une séquence de texte, ces modèles prédisent la prochaine paire de bases dans une séquence d'ADN. Cette approche reproduit l'architecture transformer qui sous-tend les grands modèles de langage comme ceux alimentant ChatGPT, mais appliquée à l'alphabet à quatre caractères de l'ADN — A, C, G et T.

En s'appuyant sur l'architecture de ΦX174 — un bactériophage naturel qui infecte E. coli — l'équipe a généré 302 génomes candidats de phages. Parmi ces candidats, 16 ont été vérifiés expérimentalement comme capables de s'assembler en virus viables et d'infecter et lyser les bactéries E. coli.

Plusieurs variantes conçues par l'IA ont démontré des avantages de réplication allant jusqu'à 65 fois par rapport au modèle naturel. Les chercheurs ont également évalué ces phages dans le cadre de thérapies combinées contre des souches bactériennes résistantes aux antibiotiques, où ils ont affiché une efficacité significative.

La résistance aux antibiotiques comme force motrice

La résistance aux antibiotiques reste l'une des crises les plus pressantes mais les moins reconnues dans le domaine de la santé mondiale. L'Organisation mondiale de la Santé a identifié la résistance aux antimicrobiens comme l'une des dix principales menaces pour la santé publique mondiale, les infections pharmacorésistantes contribuant à des millions de décès chaque année. La phagothérapie, qui utilise des virus pour éliminer des bactéries spécifiques, existe conceptuellement depuis le début du XXe siècle et était largement utilisée dans certaines parties de l'Union soviétique avant l'ère des antibiotiques. Toutefois, elle n'a jamais connu d'adoption clinique généralisée en médecine occidentale, principalement parce que la conception du phage approprié pour une souche bactérienne donnée est un processus laborieux et chronophage. Quelques cas de phagothérapie ont été traités dans le cadre des dispositions de compassion de la FDA, mais la conception de phages à la demande et à grande échelle est restée hors de portée.

Les modèles Evo ont été entraînés sur de vastes ensembles de données génétiques comprenant des trillions de paires de bases d'ADN, s'appuyant sur des travaux antérieurs introduits en 2024. Le phage naturel ΦX174 possède un génome d'environ 5 386 paires de bases — remarquablement petit selon les normes biologiques.

Considérations de biosécurité

Les 16 phages fonctionnels ont été conçus dans les limites d'un modèle naturel connu et ciblent spécifiquement E. coli. Les chercheurs ont souligné qu'ils ne créaient pas de nouveaux agents pathogènes pandémiques. Néanmoins, la capacité sous-jacente — un modèle capable de construire une machinerie virale fonctionnelle — soulève des questions de gouvernance qui méritent une discussion approfondie à mesure que la technologie progresse. La nature à double usage des modèles génératifs à l'échelle du génome inscrit ce travail dans une conversation politique continue sur les cadres de supervision des systèmes d'IA capables de concevoir des entités biologiques, un sujet qui a attiré l'attention des agences américaines de biosécurité et des organes de gouvernance internationaux.

La participation de NVIDIA à cette collaboration est également notable pour ceux qui suivent les tendances d'investissement dans l'infrastructure d'IA. La modélisation génomique à cette échelle exige des ressources de calcul considérables, et le secteur des sciences du vivant est devenu un domaine d'application important pour les clusters de GPU haute performance. Ces travaux s'inscrivent dans une trajectoire plus large dans laquelle la biologie pilotée par l'IA — du système AlphaFold de DeepMind pour la prédiction de structures de protéines aux modèles de langage sur génome entier — est devenue l'une des frontières les plus intensives en calcul et les plus conséquentes sur le plan commercial dans le domaine de l'IA appliquée.