Google élargit sa collaboration avec les chercheurs sur le diagnostic et le traitement des maladies grâce à l'IA

Google a publié sur son blog d'entreprise un article expliquant comment, avec des chercheurs et des partenaires scientifiques, elle tente de rendre les maladies plus détectables, plus curables et plus évitables. L'ambition est vaste, mais la partie de l'annonce accessible ne contient aucun chiffre : ni noms de modèles, ni métriques, ni liste de partenaires cliniques. Nous examinons donc ce qui est dit explicitement, puis nous le confrontons à ce que Google a déjà accompli en biologie et en médecine. Pour situer l'échelle : la base AlphaFold contient plus de 200 millions de structures de protéines prédites, et Demis Hassabis et John Jumper ont reçu le prix Nobel de chimie 2024 pour ces travaux.

Ce que dit l'annonce

La formulation est simple : l'entreprise travaille avec des chercheurs pour améliorer la santé des personnes selon trois axes. Le premier est la détection des maladies, c'est-à-dire le diagnostic et le dépistage. Le deuxième est le traitement, de la compréhension de la biologie de la maladie à la recherche d'hypothèses thérapeutiques. Le troisième est la prévention. Faute de précisions, il s'agit plus d'une déclaration d'orientation que du lancement d'un produit. Le texte ne donne aucun indicateur permettant de comparer ce nouveau travail aux précédents.

Sur quoi repose cette annonce

Google a accumulé un bagage notable dans la santé et la biologie. Voici les projets le plus souvent cités dans ce contexte :

• AlphaFold : prédiction de la structure des protéines, base ouverte de plus de 200 millions d'entrées ;
• Med-PaLM 2 : en 2023, le modèle a obtenu 86,5% aux questions au format de l'examen médical USMLE ;
• AMIE : système conversationnel de recherche pour des entretiens de diagnostic avec un patient ;
• AlphaGenome : modèle qui analyse les régions régulatrices de l'ADN sur des séquences allant jusqu'à 1 million de paires de bases ;
• Cell2Sentence-Scale : famille de modèles d'analyse de données de cellules individuelles, développée avec l'université Yale, dont la plus grande version compte 27 milliards de paramètres ;
• ARDA : dépistage de la rétinopathie diabétique à partir d'images du fond d'œil.

On ignore lesquels figureront dans la nouvelle annonce. La logique, elle, est lisible : biologie structurale, génomique, données cellulaires et diagnostic clinique forment une chaîne qui va de l'hypothèse de laboratoire au patient.

Où ce type de projet bute d'ordinaire

Un modèle qui réussit bien un test ne fonctionne pas pour autant en clinique. Trois obstacles séparent le benchmark de la prescription d'un traitement. Le premier, ce sont les données : les jeux de données médicales sont fragmentés, biaisés selon les populations et verrouillés par les règles de confidentialité. Le deuxième, la validation : il faut des études prospectives, et non une analyse rétrospective d'archives. Le troisième, la réglementation : la FDA, l'EMA et leurs équivalents n'évaluent pas de la même manière les logiciels qui influent sur le diagnostic.

Il y a aussi un aspect organisationnel. Les mots « en collaboration avec des chercheurs » signifient qu'une partie des résultats sera publiée dans des revues à comité de lecture et fera l'objet d'une vérification indépendante. C'est bon signe, mais cela ne remplace pas des données cliniques. Un médicament candidat trouvé par un modèle en simulation doit encore passer les essais précliniques et trois phases d'études, ce qui prend des années et s'accompagne d'un fort taux d'abandon.

Comment lire ce type d'annonce

Tant que le blog ne donne pas de détails, mieux vaut poser des questions que tirer des conclusions. Si vous travaillez dans la medtech ou la pharma, ou si vous investissez dans ce secteur, vérifiez quatre points quand les précisions seront publiées :

• existe-t-il une publication à comité de lecture décrivant la méthode et ses limites ;
• sur quelles populations et dans quels pays le modèle a-t-il été testé ;
• les poids, une API ou les données sont-ils disponibles pour une reproduction indépendante ;
• quel est le statut réglementaire : outil de recherche, logiciel homologué ou pilote en clinique.

Pour les développeurs et les startups, la principale question pratique est de savoir si Google ouvrira l'accès aux modèles et aux données. Si oui, un écosystème se développera vite autour d'eux, comme cela s'est produit avec AlphaFold. Sinon, l'annonce restera une démonstration de l'intérêt de l'entreprise pour le marché de la santé. La rédaction reviendra sur le sujet quand des documents et des chiffres seront disponibles.