La biologie cellulaire et moléculaire traverse une phase où les outils d’intelligence artificielle redéfinissent la manière dont les chercheurs explorent le vivant. Deux axes structurent les avancées récentes : la modélisation computationnelle des cellules à grande échelle et la cartographie tridimensionnelle du génome. Ces découvertes ne relèvent plus de la science-fiction, elles alimentent déjà des pipelines de recherche concrets en laboratoire.
Modèles universels de la cellule : l’IA appliquée à la biologie inter-espèces
Les modèles de langage ont transformé le traitement du texte. Une logique analogue s’applique désormais aux données biologiques. En septembre 2026, des équipes de Stanford ont présenté deux outils majeurs : Universal Cell Embedding et TranscriptFormer.
TranscriptFormer a été entraîné sur les données de 112 millions de cellules provenant de 12 espèces, de la levure à l’humain. L’objectif : cartographier les états cellulaires à travers environ 1,5 milliard d’années d’évolution. Ce type d’approche permet de transférer des connaissances acquises sur un organisme modèle (la souris, le poisson-zèbre) directement vers la biologie humaine.
Ce qui différencie ces travaux des approches précédentes, c’est leur dimension inter-espèces. Comparer directement l’état d’une cellule de levure avec celui d’une cellule humaine relevait de l’exercice théorique. Ces foundation models rendent la comparaison opérationnelle, quantifiable, et reproductible en laboratoire. Parmi les dernières infos de Bio Geek, ce virage vers la modélisation cellulaire universelle fait partie des sujets les plus suivis par la communauté scientifique francophone.
Atlas cellulaires humains de nouvelle génération
Les atlas transcriptomiques servent de référence pour comprendre quels gènes sont actifs dans chaque type de cellule. La mise à jour Tabula Sapiens 2.0, diffusée en pré-publication en septembre 2026, propose un atlas humain considérablement étendu par rapport à la première version.
Cette deuxième génération intègre des dizaines de tissus et offre une résolution spatiale que les premiers atlas ne permettaient pas. L’enjeu ne se limite pas à cataloguer des cellules : il s’agit de comprendre comment les cellules interagissent dans un espace tridimensionnel, et comment ces interactions varient d’un organe à l’autre.
Pourquoi la 3D change la donne pour la recherche
Un atlas 2D donne une photographie. Un atlas 3D donne une architecture. Pour la recherche sur des maladies comme les cancers ou les maladies auto-immunes, savoir où se situe une cellule dans un tissu (et quelles cellules l’entourent) modifie radicalement l’interprétation des données. Comprendre comment l’ADN se replie dans l’espace pour activer ou réprimer certains gènes constitue un enjeu central de cette approche tridimensionnelle.
IA et découverte de médicaments : accélération des délais précliniques
L’intelligence artificielle ne se contente pas de modéliser les cellules. Elle raccourcit aussi les étapes de découverte de nouvelles molécules thérapeutiques. Plusieurs plateformes combinent désormais IA générative et criblage moléculaire pour proposer des candidats-médicaments en amont des essais cliniques.
Le principe repose sur deux capacités complémentaires :
- La prédiction de structures protéiques, qui permet d’identifier des cibles thérapeutiques sans cristallographie coûteuse
- La génération de molécules candidates par des algorithmes entraînés sur des bibliothèques chimiques massives
Le passage de la prédiction à la génération de molécules constitue le changement de paradigme. Les outils antérieurs filtraient des bases de données existantes. Les approches actuelles créent des molécules nouvelles, optimisées pour une cible donnée, puis les testent en boucle rapide.
Décodage de l’ADN non codant : relire le génome autrement
Le séquençage du génome humain, achevé au début des années 2000, a laissé une question ouverte : à quoi servent les vastes régions d’ADN qui ne codent aucune protéine ? Ces zones, longtemps qualifiées (à tort) d’ADN « poubelle », concentrent aujourd’hui une part croissante de la recherche en génomique.
Des travaux récents s’appuient sur des réseaux de neurones profonds pour décoder la grammaire régulatrice de l’ADN non codant. Ces régions contiennent des séquences qui contrôlent quand, où et en quelle quantité un gène s’exprime. Comprendre cette grammaire ouvre la voie à une lecture fonctionnelle du génome, au-delà du simple inventaire de gènes.
Applications concrètes en médecine de précision
Identifier une mutation dans un gène codant reste relativement direct. Identifier une mutation dans une zone régulatrice, comprendre son effet sur l’expression d’un gène situé parfois très loin sur le chromosome, puis relier cet effet à une maladie : cette chaîne d’analyse nécessite des outils computationnels puissants. Les modèles IA entraînés sur des données multi-espèces (comme ceux de Stanford) alimentent directement ce type d’analyse, en fournissant des références croisées entre organismes.
- Les variants génétiques dans les régions non codantes représentent la majorité des signaux détectés par les études d’association pangénomique
- Les outils actuels permettent de prédire l’impact fonctionnel de ces variants sans recourir systématiquement à des expériences en laboratoire
- La combinaison atlas cellulaire et modèle prédictif accélère le passage de la découverte génomique au diagnostic clinique
La convergence entre atlas cellulaires 3D, modèles IA inter-espèces et analyse de l’ADN non codant dessine un cadre de recherche unifié. Chaque brique alimente les autres. La biologie de 2026 ne progresse plus discipline par discipline, mais par intégration de couches de données qui, isolées, restaient difficiles à interpréter.