De l'intelligence artificielle générative au laboratoire : à Stanford, des séquences d'ADN synthétiques deviennent des bactériophages fonctionnels contre les bactéries

Un modèle de l'intelligence artificielle Il a écrit des génomes viraux complets, des chercheurs les ont synthétisés en laboratoire, et seize de ces séquences sont devenues bactériophages fonctionnels, capables d'infecter et de tuer des souches de Escherichia coliLa transition de la génération numérique de l'ADN à la vérification expérimentale conduit Evo 2, un modèle développé avec la contribution de l'Université de Stanford et de l'Arc Institute, dans un domaine auparavant exploré principalement par le biais de modifications de systèmes biologiques existants.

Le groupe dirigé par Brian Hie, professeur adjoint de génie chimique à Stanford, avec son doctorant en bio-ingénierie Samuel Roi En tant que premier auteur des travaux expérimentaux, il est parti du bactériophage ΦX174Son génome compte environ 5 400 paires de bases, contre environ trois milliards pour le génome humain : des dimensions relativement faibles qui en font un modèle idéal pour vérifier si un modèle génératif peut concevoir non seulement un gène ou une protéine, mais un organisme entier. génome complet capable de fonctionner.

Le résultat naît de la rencontre entre recherche et développementEvo 2 utilise la modélisation informatique et la biologie synthétique. Il génère des séquences nucléotide par nucléotide ; le laboratoire doit ensuite déterminer lesquelles sont aptes à être synthétisées, les transformer en ADN physique et vérifier si le système conçu par ordinateur peut effectivement se répliquer et remplir sa fonction. C’est précisément cette dernière étape qui distingue une séquence biologiquement plausible d’un organisme viral fonctionnel.

« Dans ce cas précis, nous souhaitions que le modèle génère le génome entier de bout en bout, en une seule passe de gauche à droite. Nous n'avons rien ajouté. »

a expliqué Brian Hie.

Lors des tests, certaines des propositions formulées par Evo ont montré un forme physique supérieure à la normale ΦX174Cela ne signifie pas pour autant que l'IA a découvert un antibiotique utilisable en clinique : l'expérience constitue une preuve de concept sur des bactériophages relativement simples, et l'écart entre un résultat de laboratoire et un traitement approuvé demeure considérable. Toutefois, elle démontre qu'une séquence génomique générée artificiellement peut résister à la sélection informatique, être synthétisée et produire une entité biologique fonctionnelle dotée des caractéristiques souhaitées.

Des milliers de séquences numériques à 16 phages fonctionnels

Le problème ne résidait pas uniquement dans la génération d'ADN. Evo 2 peut produire des milliers de candidats, mais La synthèse physique de chaque séquence serait coûteuse et inefficace.King a ensuite développé un cadre informatique pour évaluer les génomes proposés et réduire progressivement le nombre d'alternatives à intégrer au laboratoire.

Le processus a suivi une chaîne précise : génération des génomes, évaluation selon des critères biologiques dérivés de ΦX174 et de phages apparentés, sélection des candidats, synthèse chimique de l’ADN et enfin tests expérimentaux sur les bactériesÀ partir des nombreux génomes produits par le modèle, le groupe a synthétisé et expérimenté avec presque 300 bactériophages, identifiant seize d'entre eux avec des caractéristiques particulièrement efficaces contre E. coli.

« L’un des principaux volets du cadre de conception consistait à comprendre quelles caractéristiques les génomes devaient présenter, en se basant sur ΦX174 et les phages apparentés. »

il a dit Samuel Roi.

Le filtre de calcul a également une conséquence économique. La synthèse de l'ADN reste coûteuseAinsi, la capacité d'éliminer par simulation numérique les candidats les moins prometteurs avant leur production physique devient partie intégrante du processus de conception. Le modèle génératif, à lui seul, ne remplace donc pas le laboratoire : il élargit considérablement l'espace des solutions explorables, tandis que la sélection informatique et l'expérimentation permettent de déterminer les séquences susceptibles de fonctionner.

Evo 2 repose sur des bases beaucoup plus larges que l'expérience avec un seul phage. Le modèle, publié en 2026 le Nature, a été formé sur environ 9 000 milliards de paires de bases d'ADN À partir d'un atlas génomique couvrant tous les domaines du vivant, cet outil peut traiter un contexte allant jusqu'à un million de séquences tout en conservant une résolution au nucléotide près. Ses capacités documentées incluent également la prédiction des effets fonctionnels des variants génétiques et la reconnaissance des caractéristiques biologiques présentes dans les séquences.

L'échelle de formation est essentielle pour comprendre la différence par rapport à un logiciel conçu exclusivement pour modifier le ΦX174. Evo 2 est un modèle de base génomiqueIl apprend les régularités statistiques et structurelles de l'ADN d'organismes très différents et peut ensuite être utilisé pour des tâches spécifiques. En ce sens, le principe ressemble à celui des grands modèles linguistiques, mais l'alphabet n'est pas composé de mots et de phrases : c'est la séquence de bases qui constitue le matériel génétique.

Les bactériophages deviennent des candidats contre la résistance bactérienne

Le choix de concevoir plusieurs phages génétiquement distincts répond à une motivation qui dépasse le simple test des capacités génératives de l'IA. Les bactéries peuvent évoluer et se développer. résistance Non seulement aux antibiotiques, mais aussi aux virus qui les attaquent. Un bactériophage isolé pourrait donc perdre son efficacité lorsque la population bactérienne acquiert des mécanismes capables de prévenir son infection.

« Si les bactéries développent une résistance à un seul phage, le médicament est inefficace. Mais si un mélange contient plusieurs phages génétiquement distincts, il sera plus difficile pour les bactéries de développer une résistance à l'ensemble du cocktail. »

a déclaré Brian Hie.

Les chercheurs ont donc combiné les seize phages dans un cocktail et l'a utilisé contre E. coli Résistant à la souche naturelle ΦX174, le mélange a rapidement surmonté cette résistance lors de la démonstration de faisabilité décrite par l'équipe. Bien que ce résultat expérimental soit limité, il illustre l'intérêt que pourrait revêtir à l'avenir la capacité à produire différentes variantes génomiques. phagothérapie.

Les bactériophages sont des virus spécialisés dans l'infection des bactéries et sont étudiés depuis longtemps comme outils thérapeutiques potentiels. L'intérêt qu'ils suscitent s'est accru avec la propagation du VIH.résistance aux antibiotiquesEn effet, elles permettent théoriquement de cibler sélectivement certains micro-organismes. Le problème est que la cible évolue elle aussi. L'accès rapide à de nombreuses variantes génétiquement différentes pourrait permettre la construction de combinaisons plus difficiles à neutraliser par une seule mutation ou un seul mécanisme de défense.

Stanford indique que parmi les cibles potentielles futures figurent les bactéries responsables d'infections difficiles à traiter, notamment Staphylococcus aureus résistant à la méthicilline (SARM) et Pseudomonas aeruginosa, en plus des micro-organismes responsables de la tuberculose. Les travaux actuels ne démontrent pas qu'Evo 2 soit déjà capable de produire des thérapies contre ces pathogènes : ils définissent plutôt une méthode expérimentale qui peut être vérifiée sur différents systèmes.

Evo 2 transforme l'ADN en un problème de conception générative

La nouveauté méthodologique réside dans le niveau auquel l'algorithme opère. La plupart des applications d'IA en sciences de la vie se sont concentrées sur la prédiction des structures protéiques, l'identification des molécules, l'analyse des mutations ou la conception de composants biologiques individuels. Ici, l'objectif de conception est différent. le génome viral entier.

Un génome n'est pas un simple assemblage de gènes indépendants. La fonction, la régulation, la compatibilité entre ses composants et la capacité de réplication dépendent des relations réparties tout au long de la séquence. Pour un chercheur, interpréter directement des milliers de nucléotides et prédire l'effet de leurs combinaisons représente un problème combinatoire colossal. Les modèles génomiques tentent d'apprendre précisément ces régularités, en utilisant de vastes quantités de séquences naturelles comme matériel d'apprentissage.

Evo 2 a été initialement dévoilé en 2025 et des travaux décrivant son architecture et ses capacités ont été publiés dans Nature le 4 mars 2026Le modèle a été développé grâce à une collaboration impliquant Arc Institute, Université de Stanford, Université de Californie à Berkeley, Université de Californie à San Francisco, NVIDIA et d'autres groupes de recherche. L'entraînement sur l'ADN de bactéries, d'archées, de phages, de plantes, d'animaux et d'humains lui permet d'aborder des problèmes très différents sans avoir à tout reconstruire de zéro pour chacun d'eux.

La conception de phages offre cependant un test plus rigoureux que la prédiction informatique. Si un modèle attribue correctement un effet à une mutation, sa performance peut être mesurée en la comparant aux données existantes. Dans le cas d'un un génome qui n'a jamais existé auparavantLa séquence générée doit être transformée en matière biologique et soumise à la sélection la plus concrète possible : fonctionner ou non.

Dans ce domaine, des limitations apparaissent également. Des études indépendantes publiées en 2026 ont montré que les modèles de langage génomique peuvent bien reproduire certaines caractéristiques locales des séquences sans nécessairement préserver toute la complexité organisation génomique à longue portéeLes capacités démontrées avec un phage d'environ 5 400 bases ne peuvent donc pas être automatiquement extrapolées à des génomes beaucoup plus grands, dotés d'architectures et de systèmes de régulation plus complexes.

L'accès libre remet la biosécurité et le contrôle au premier plan.

L'Evo 2 est distribuée sous forme de modèle open source et peut être utilisé gratuitement par la communauté scientifique. L'ouverture favorise la reproductibilité, le développement de nouveaux outils et la vérification indépendante, mais la possibilité de générer des séquences biologiques soulève également des questions de biosécurité et biosécurité qui augmentent de pair avec les capacités des modèles.

Hie reconnaît que des versions modifiées de l'outil pourraient être utilisées à mauvais escient, mais soutient que l'IA pourrait également offrir de nouvelles défenses contre les agents pathogènes naturels et les menaces biologiques d'origine humaine. Contrairement à l'évolution naturelle, souligne le chercheur, un système informatique peut aussi être conçu avec des mécanismes de contrôle et des limitations intégrés.

Ce point deviendra de plus en plus pertinent à mesure que la génération passera de courtes périodes d'utilisation intensive à des périodes plus longues. génomes complets et fonctionnelsL'expérience de Stanford reste délibérément limitée à un système viral relativement simple et au test de bactériophages contre E. coliCependant, la capacité technique démontrée déplace le débat de la possibilité théorique de générer un ADN plausible vers la gestion concrète de séquences synthétisables et biologiquement actives.

Il travaille déjà avec d'autres chercheurs pour étendre cette approche à de nouveaux bactériophages et des séquences d'ADN plus longues et plus complexesLes objectifs de recherche incluent les petits génomes bactériens et, potentiellement, les micro-organismes modifiés capables de produire des substances chimiques, des médicaments ou des carburants. Il s'agit de possibilités qui restent à démontrer expérimentalement et non d'applications immédiatement disponibles.

« Les principales questions qui restent en suspens pour moi sont : comment parvenir à une plus grande nouveauté génétique et comment obtenir un meilleur contrôle des résultats ? »

illustré par Brian Hie.

C’est sur ces deux problèmes que repose désormais la prochaine étape : non seulement générer des séquences fonctionnelles, mais aussi établir jusqu'où peuvent-ils s'éloigner de la biologie connue sans perdre leur fonctionnalité et avec quelle précision il est possible de prédire leur comportement à l'avance. Pour les seize bactériophages sélectionnés, la réponse est venue du laboratoire. Pour les génomes plus grands et les systèmes biologiques plus complexes, une vérification reste à effectuer.

Evo 2 est l'intelligence artificielle générative de l'université de Stanford pour les études sur l'ADN.

Voici trois idées qui pourraient vous intéresser :

Des réparations génétiques plus efficaces grâce à l'intelligence artificielle
La biologie, l'informatique et l'ingénierie convergent à Bâle
GeneSys Bio et la nouvelle frontière du diagnostic moléculaire