Les LLM ont des modèles de mots. Les experts ont des modèles du monde. C'est tout l'écart. Un LLM rédige un contrat qui se lit parfaitement. Un avocat voit exactement comment le conseil adverse va le déchirer. C'est la même chose en biologie. Un modèle prédit une structure protéique. Un biologiste demande : comment se comporte-t-il lorsque la cellule est stressée, enflammée ou mourante ? La prochaine frontière de l'IA n'est pas l'intelligence. C'est la profondeur de simulation.

Aujourd'hui, mon fil X déborde de véritables avancées médicales : 🇲🇽 Des scientifiques mexicains ont éliminé le VPH 🇪🇸 Des chercheurs espagnols ont guéri le cancer de la prostate chez des souris 🇯🇵 Le Japon a restauré la fonction motrice chez des patients paralysés grâce à la médecine régénérative 🇰🇷 Des scientifiques coréens rapportent avoir inversé le cancer du côlon 🇻🇳 Des cliniciens vietnamiens montrent que le cancer du sang peut être complètement traité La science biomédicale progresse à un rythme sans précédent et accéléré. Une véritable grande journée pour la médecine. 🧬🚀

Tout le monde est excité par "l'IA pour la science" en 2025 ! À la fin de l'année, permettez-moi de partager mon malaise et mon optimisme, spécifiquement à propos de l'IA et de la biologie. Après avoir passé une autre année plongé dans les modèles fondamentaux biologiques, l'IA en santé et la découverte de médicaments, voici 3 leçons que j'ai apprises en 2025. 1. La biologie n'est pas "juste une autre modalité". La plus grande idée reçue que je vois encore : "La biologie est du texte + des images + des graphiques. Il suffit de mettre à l'échelle les transformateurs." Non. La biologie est causale, hiérarchique, stochastique et incomplète de manière que le langage et la vision ne le sont pas. Les tokens ne correspondent pas proprement à la réalité. Les étiquettes sont rares, biaisées et souvent incorrectes. La vérité de terrain est conditionnelle, dépendante du contexte et parfois inconnaissable. Nous avons fait de réels progrès : les cellules uniques, l'imagerie, la génomique, les DSE sont enfin modélisés conjointement - mais la dure vérité est la suivante : La plupart des signaux biologiques ne sont pas des problèmes supervisés attendant de meilleures fonctions de perte. Ce sont des problèmes motivés par des interventions. Ils exigent des perturbations, des contrefactuels et des mécanismes, au-delà de la simple prédiction. L'échelle aide évidemment. Mais sans structure causale, l'échelle vous donne principalement des corrélations plus nettes. 2025 a renforcé ma conviction que les modèles fondamentaux biologiques doivent être construits autour de la perturbation, de l'incertitude et de l'actionnabilité, et pas seulement de l'apprentissage de représentation. 2. Les benchmarks freinent la biologie plus que le calcul. Soyons honnêtes : le benchmarking en IA et biologie est encore cassé. Tout le monde rapporte le SOTA. Tout le monde choisit une tranche de jeu de données différente. Tout le monde ajuste pour une métrique différente. Tout le monde évite la validation prospective. Nous avons importé les pires habitudes du benchmarking ML dans un domaine où les enjeux sont beaucoup plus élevés. En biologie et en santé, un gain de 1 % qui ne se transfère pas est pire qu'inutile - c'est trompeur. Ce qui manque, ce ne sont pas plus de benchmarks. Ce sont des benchmarks difficiles : • Prospectifs, pas rétrospectifs • Basés sur des perturbations, pas statiques • Multi-sites, pas mono-laboratoire • Sensibles aux échecs, pas optimisés pour le classement Si votre modèle ne fonctionne que sur le jeu de données qui l'a créé, ce n'est pas un modèle fondamental - c'est un artefact de jeu de données. En 2026, nous avons besoin de moins de graphiques tape-à-l'œil et de plus d'humilité, de rigueur et de résultats négatifs. 3. Le "raisonnement" en biologie n'est pas une chaîne de pensée. Il y a une tendance croissante à appliquer directement le mot raisonnement aux LLM biologiques. Soyons prudents. Le raisonnement biologique n'est pas la fluidité verbale, des fenêtres contextuelles plus longues ou des explications plus jolies. Ce sont des améliorations superficielles. Le véritable raisonnement en biologie se manifeste ailleurs : dans la formation d'hypothèses, la décision des expériences à réaliser, la mise à jour des croyances lorsque les perturbations échouent, et le compromis constant entre coût, risque et incertitude. Un modèle qui explique un cheminement de manière magnifique mais qui ne peut pas décider quelle expérience réaliser ensuite n'est pas du raisonnement, c'est de la narration. 2025 m'a convaincu que l'avenir réside dans l'IA biologique agentique : des systèmes qui couplent des modèles fondamentaux avec des expérimentations, des simulations et des boucles de prise de décision. Pensée de clôture : L'IA et la biologie ne sont pas à la traîne par rapport à l'IA pour le code ou le langage. C'est juste un jeu plus difficile. Les contraintes sont réelles. Les données sont désordonnées. Les boucles de rétroaction sont lentes. Les conséquences comptent. Si 2025 a clarifié quelque chose pour moi, c'est ceci : Nous ne ferons pas de progrès en traitant la biologie comme du texte. Nous ferons des progrès en construisant une IA qui se comporte plus comme un scientifique : sceptique, itératif et prêt à se tromper. En avant vers 2026.