Ce qui s’est passé.

Une équipe de Stanford et de l’Arc Institute a utilisé un modèle AI appelé Evo pour concevoir des génomes viraux complets à partir de zéro. Sur 285 séquences synthétisées en laboratoire sous forme d’ADN et insérées dans des bactéries E. coli, 16 ont produit des virus fonctionnels capables de se répliquer et de détruire leurs cibles. Le travail est publié dans Science (7 août 2026). Evo avait proposé 700 000 génomes possibles, l’équipe a synthétisé les candidats les plus prometteurs. Certains des virus générés se répliquent plus rapidement que le phage naturel Phi X-174 utilisé comme référence.

Pourquoi ça te concerne.

Les agents AI travaillaient jusqu’à présent sur le texte et le code. Ici, un modèle a généré quelque chose qui sort de l’ordinateur et fait quelque chose de mesurable dans le monde physique. Comme nous l’avons raconté en juillet sur le calcul scientifique, l’agentic entre dans les laboratoires. Le saut est d’un autre ordre : le modèle écrit directement la séquence biologique, et le laboratoire la vérifie.

En détail

Evo fonctionne comme un modèle linguistique, mais entraîné sur l’ADN au lieu du texte. La première phase d’entraînement a consommé environ neuf trillions de nucléotides provenant de millions d’animaux, de plantes, de microbes et de virus, apprenant les motifs qui traversent tout l’arbre de la vie. La deuxième phase s’est spécialisée sur le phage Phi X-174, un virus simple avec 11 gènes et environ 5 000 lettres d’ADN, et sur 15 000 de ses plus proches parents.

Les chiffres de l’expérience. Evo a proposé 700 000 génomes. L’équipe en a fait synthétiser 285 sous forme d’ADN et les a insérés dans des bactéries E. coli. Seize ont produit des virus capables de se répliquer. Ce sont des chiffres petits en termes absolus, mais suffisants pour démontrer une chose : le modèle produit des génomes qui fonctionnent dans une cellule vivante. Sur le papier, ils semblaient plausibles ; dans la bactérie, ils se sont répliqués.

Ce qu’en disent les examinateurs externes. Oliver Crook, chimiste des protéines à l’Université d’Oxford, a décrit les virus comme aussi robustes que ceux naturels : « Ce ne sont pas des versions chétives de choses qui existent déjà ». Patrick Cai, biologiste synthétique à Manchester, parle d’« une étape importante ». Les deux tempèrent l’enthousiasme. Les virus générés sont très similaires aux espèces naturelles et reposent sur la même biologie. Evo n’a rien inventé de fondamentalement nouveau. La question reste ouverte de savoir si le modèle serait tout aussi efficace avec d’autres groupes viraux.

Le vide dans la régulation. Les National Institutes of Health ont publié fin juillet une politique sur la recherche à haut risque qui interdit les expériences rendant les agents pathogènes plus dangereux. Le travail purement computationnel, c’est-à-dire concevoir de l’ADN viral à l’ordinateur, ne relève pas de la politique « sauf s’il implique une entité problématique ». Avec la variole, la classification est nette. Avec un virus sorti d’un modèle AI, ce n’est pas le cas. Moritz Hanke du Johns Hopkins Center for Health Security le dit clairement : il existe un « énorme fossé » entre le rythme de la recherche et les garde-fous qui l’entourent.

La précaution prise volontairement. Pendant l’entraînement, Evo n’a pas reçu de données sur les virus qui infectent les humains, ni sur les agents pathogènes connexes des animaux, plantes ou champignons. Le modèle ne peut pas générer ces génomes en premier lieu. Brian Hie, biologiste informaticien à Stanford et co-auteur, l’appelle un choix de prudence : « Nous voulions être extra prudents ». Aucune règle officielle ne l’exigeait.

Ce qui change et ce qui ne change pas. Le travail ouvre une voie vers des outils pour la médecine et la biotechnologie : les virus qui tuent les bactéries ont des applications réelles, allant de l’alternative aux antibiotiques à la recherche fondamentale. Le saut des bactériophages, qui infectent les bactéries, aux virus qui infectent les humains est énorme et volontairement exclu de la conception du modèle. Le résultat le plus concret aujourd’hui est méthodologique : un modèle génératif peut produire des génomes entiers vérifiables, et le laboratoire physique reste la phase de validation nécessaire.