DrugTargetWorld, des biobanques simulées pour tester l’IA

LLéna

Des chercheurs présentent DrugTargetWorld, un outil qui pose une question difficile : une intelligence artificielle peut-elle repérer les molécules qui causent une maladie, et pas seulement celles qui lui sont associées ? Le travail est déposé jeudi sur arXiv. L’idée est de fabriquer des biobanques virtuelles, comme des terrains d’entraînement dont les réponses sont connues par l’arbitre, mais cachées aux joueurs. Chaque monde simulé rassemble des données génétiques, des protéines, des dossiers de santé, des résultats cliniques et des images médicales de 54 000 participants. En coulisses, le système connaît les liens de cause à effet. L’agent d’intelligence artificielle, lui, doit les retrouver à partir des données, comme un enquêteur qui ne voit pas la solution de son dossier. Le travail demandé va au-delà d’une simple liste de molécules. Les agents doivent d’abord définir ce qui caractérise la maladie. Ils doivent ensuite repérer les protéines qui en sont des causes, puis déterminer si leur activité doit être augmentée ou diminuée pour obtenir un effet bénéfique. Ils peuvent aussi réaliser des expériences virtuelles de laboratoire. La publication décrit une évaluation de 9 agents dans 540 épreuves, sur 20 mondes consacrés aux maladies cardiovasculaires. Les meilleurs scores moyens sont de 39,98 points sur 100 pour Opus 5, et de 35,38 pour GPT-5.6 Sol. Ces deux agents retrouvent chacun, en moyenne, 64 % des protéines responsables. La limite est nette : aucun agent ne distingue de façon fiable les protéines causales des protéines qui leur sont seulement associées. La performance reste limitée par les jugements nécessaires pour relier la définition de la maladie, les indices de causalité et le choix d’une intervention. Les résultats portent sur des mondes simulés, où les chercheurs connaissent les causes réelles mais les cachent aux agents.