Radical Numerics affirme que son IA a repéré 22 à 33 % de séquences virales cachées

Dans un laboratoire de terrain, il ne suffit pas de lire le matériel génétique d'un échantillon. Il faut aussi déterminer si, parmi les séquences obtenues, se trouve quelque chose de dangereux. La recherche dans un répertoire de référence aide lorsque l'organisme est déjà connu. Avec un échantillon inconnu, c'est plus compliqué : l'absence de correspondances ne dit en soi rien de l'innocuité.

Radical Numerics propose d'ajouter de l'IA à ce processus. Selon WIRED, la start-up a présenté Omnii Defense, un modèle qui fonctionne sur un ordinateur portable sans internet et analyse les séquences obtenues à l'aide d'un séquenceur USB. L'objectif est clair : indiquer au chercheur quel échantillon mérite une vérification supplémentaire, même si aucune entrée exacte le concernant n'existe dans la base.

La principale réserve apparaît d'emblée. Dans l'expérience décrite par l'entreprise, le modèle n'a signalé comme potentiellement pathogènes que 22 à 33 % des séquences d'un virus volontairement exclu de l'entraînement. C'est un résultat intéressant pour la suite de la recherche, mais on est encore loin d'un outil fiable de détection des menaces.

Ce que le modèle ajoute à la recherche dans la base

Imaginons qu'un chercheur obtienne une séquence génétique d'origine inconnue. La recherche classique tente de trouver une similarité avec des organismes déjà décrits. Cette approche est utile, mais ses capacités dépendent du contenu du répertoire et du degré de ressemblance de l'échantillon avec les entrées connues.

Selon ses développeurs, Omnii Defense s'appuie en plus sur des régularités que le modèle a assimilées à partir de données biologiques. Il formule plusieurs prédictions : la séquence peut-elle appartenir à un pathogène, quelle est la probabilité d'une origine artificielle et de quel groupe taxonomique elle se rapproche le plus.

Le système attribue ensuite au génome un score de menace global, en combinant une évaluation du caractère inhabituel avec des prédictions de fonctions biologiques. Il importe ici de distinguer le nom de l'indicateur et sa signification. Un score élevé est une raison d'examiner l'échantillon de plus près. À lui seul, il ne prouve pas que le chercheur a affaire à un organisme dangereux ou à un produit d'ingénierie délibérée.

Pour un développeur de produit, l'architecture est familière : le modèle aide à sélectionner les cas pour l'étape de vérification suivante. Sa valeur apparaît s'il repère des signaux utiles que manquent les outils existants, sans submerger les spécialistes de fausses alertes.

Ce que signifient réellement les 22 à 33 %

Radical Numerics a décrit une expérience avec le virus Bundibugyo. D'abord, les données sur son espèce ont été retirées des données d'entraînement. Ensuite, le modèle a signalé comme potentiellement pathogènes 33 % des séquences présentées. Lorsque tout le genre correspondant a été exclu de l'entraînement, le chiffre s'est établi à 22 %.

Ces chiffres ne peuvent pas être qualifiés de précision globale du système. Ils décrivent la détection dans un montage expérimental précis. Les résultats présentés ne permettent pas de savoir combien de séquences sûres le modèle a jugées suspectes à tort, comment le seuil de déclenchement a été choisi, ni dans quelle mesure le résultat se transpose à d'autres organismes.

L'entreprise affirme aussi que les outils sans IA n'ont presque produit aucun signal de danger dans cette comparaison. Toutefois, la description disponible ne suffit pas pour conclure à une supériorité sur toutes les approches existantes. Il faudrait pour cela des détails sur le test, des conditions de comparaison claires et une évaluation indépendante.

Bronwyn MacInnis, qui dirige le domaine de la surveillance des pathogènes au Broad Institute, soutient l'idée d'utiliser la technologie pour la biodéfense. Elle souligne toutefois l'écart entre la détection d'un signal et l'établissement du danger réel ou de l'origine artificielle d'un pathogène.

Pourquoi les équipes qui construisent des produits d'IA devraient le savoir

La partie la plus concrète de l'annonce est le fonctionnement en local. Si les capacités annoncées se confirment, le chercheur pourra obtenir une évaluation préliminaire là où la connexion est instable ou absente. Mais l'ordinateur portable équipé du modèle reste une partie du processus de laboratoire : il ne remplace ni l'obtention de données de qualité ni la vérification ultérieure des conclusions.

Pour les fondateurs, le choix même du problème est instructif : appliquer un grand modèle biologique à une contrainte de travail concrète — l'analyse sur place sans connexion permanente. Pour évaluer un tel produit, il faut regarder les menaces manquées, les fausses alertes, les exigences matérielles et les actions de l'utilisateur après un déclenchement.

Pour l'instant, Omnii Defense n'est accessible qu'à des testeurs externes sélectionnés. Radical Numerics indique travailler avec des laboratoires nationaux, des structures gouvernementales et des évaluateurs indépendants. La prochaine étape déterminante sera constituée par les résultats de ces vérifications. Ce sont eux qui montreront si le modèle aide les chercheurs à prendre des décisions mieux fondées en conditions réelles.