Biohub et ses partenaires consacreront 1,8 milliard de dollars aux données pour les cellules virtuelles

En biologie, un scénario familier à toute équipe de machine learning s'est répété. Vous construisez un modèle complexe, dépensez des ressources de calcul et préparez une belle démonstration, puis une règle simple consistant à « prédire la moyenne » obtient un résultat au moins aussi bon. C'est précisément ce qu'ont rencontré les projets de cellules virtuelles : des systèmes censés prédire comment une cellule réagira à un médicament, à l'édition d'un gène ou à une modification de son environnement.

Après les résultats de l'Arc Virtual Cell Challenge 2025, on aurait pu conclure que les grands modèles ne fonctionnaient tout simplement pas dans ce domaine. Mais le problème s'est révélé plus intéressant. Certains tests étaient conçus de telle sorte qu'une réponse moyenne et prudente obtenait un score élevé : la plupart des gènes ne changent presque pas après une intervention, si bien qu'un modèle pouvait ignorer des variations rares, mais biologiquement importantes.

Fabian Theis, de Helmholtz Munich, estime que le débat sur la capacité d'un réseau neuronal à battre la moyenne détourne le secteur du véritable enjeu. Si le jeu de données décrit une tâche trop simple et trop étroite, un modèle complexe n'a réellement aucun moyen de démontrer son avantage. L'étape suivante ne consiste pas à empiler des couches pour le plaisir, mais à recueillir des données intégrant le temps, l'espace, l'environnement cellulaire et les transitions entre les différents niveaux de l'organisme.

Pourquoi la moyenne est soudain devenue un concurrent redoutable

Imaginons un ensemble de 10 000 gènes. Après une intervention, seules quelques centaines changent sensiblement, tandis que tous les autres restent presque stables. Un modèle qui produit, pour chaque gène, une valeur typique sera souvent proche de la bonne réponse. Son erreur globale sera faible, même s'il passe précisément à côté des changements intéressants.

Pour un développeur, il s'agit d'un problème classique de données déséquilibrées. Un système de détection des fraudes peut afficher une grande exactitude en répondant toujours « transaction normale » lorsque les paiements frauduleux sont rares. Un score global élevé ne signifie pas encore que le produit résout le problème posé.

Les modèles de cellule virtuelle doivent donc être évalués séparément sur les gènes ayant subi des changements substantiels, sur de nouveaux types d'interventions et sur des combinaisons de conditions inconnues. Il est également utile de vérifier si la prédiction préserve les relations biologiques, au lieu de se contenter de réduire l'erreur numérique moyenne.

De l'instantané cellulaire au modèle du processus

Theis propose d'aller au-delà d'une mesure isolée. L'état d'une cellule dépend des cellules voisines, du tissu, du temps et de l'historique des interventions. Le modèle doit répondre non seulement à la question « qu'est-ce qui changera après l'administration du médicament ? », mais aussi prédire la distribution des états possibles, l'évolution ultérieure du système et la manière de l'amener à l'état souhaité.

C'est là que l'initiative de Biohub et de ses partenaires, assortie d'engagements annoncés d'environ 1,8 milliard de dollars, prend tout son sens pratique. Les fonds devraient notamment financer de nouvelles méthodes de visualisation et de mesure ainsi que des laboratoires automatisés. De telles installations peuvent boucler la chaîne : l'algorithme choisit l'expérience suivante, le laboratoire la réalise, les résultats sont réinjectés dans le modèle, qui affine alors l'étape suivante.

Il s'agit d'un changement important. Pour un modèle de langage, un nouvel exemple d'entraînement est relativement peu coûteux. En biologie, chaque point de données peut nécessiter la culture de cellules, des équipements, des réactifs et du temps. La valeur ne réside donc pas uniquement dans l'architecture, mais aussi dans la capacité à choisir l'expérience la plus informative.

Ce que les équipes doivent en retenir

La première conclusion est universelle : avant d'entraîner un modèle coûteux, établissez des références simples — la moyenne, la dernière valeur connue, un modèle linéaire et le plus proche voisin. Si le réseau neuronal ne les surpasse pas, commencez par vérifier les données, le découpage de l'échantillon et la métrique.

Deuxième conclusion : le test doit refléter la décision qui sera prise à partir de la prédiction. Pour sélectionner un traitement, l'erreur moyenne sur des milliers de caractéristiques presque inchangées importe moins que la capacité à repérer un petit groupe de changements influençant le résultat.

Enfin, la complexité se justifie lorsqu'elle correspond à celle du processus observé. Les modèles multi-échelles sont nécessaires si les données relient réellement les molécules, les cellules, les tissus et le temps. Sans ces données, la « cellule virtuelle » risque de rester un interpolateur coûteux. Avec elles, elle peut devenir un véritable outil de sélection des expériences et de développement de thérapies de précision.