Aller au contenu
Heure mondialeEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portail sur l'IA et la technologieactualités · analyses · entretiens · fond technique

Rechercher
EN DIRECT
›

Google tatoue les protéines conçues par IA, Anthropic revendique la première enzyme découverte par une IA

Google DeepMind a publié mercredi une méthode pour intégrer des filigranes dans les séquences de protéines conçues par intelligence artificielle, une mesure de biosécurité qui arrive au moment où Anthropic affirme que ses agents Claude ont produit la première découverte scientifique d'un système d'IA.

SciencesActualitéAmélie BernardPublié le: 2 octobre 20266 min de lectureSources 4
Google tatoue les protéines conçues par IA, Anthropic revendique la première enzyme découverte par une IA

L'équipe DeepMind de Google a publié mercredi un article de recherche décrivant un moyen de marquer les séquences de protéines conçues par intelligence artificielle, rapporte Ars Technica. Le système repose sur la technologie SynthID de Google, qui ajoute un signal imperceptible au texte et aux images générés par IA.

C'est la tentative la plus récente de répondre à une question ouverte depuis près d'un an : comment distinguer une protéine conçue par un laboratoire de confiance d'une autre, alors que les outils de criblage des séquences d'ADN ne reconnaissent pas du tout les protéines générées par IA ? Le problème tient à la densité d'information. Une protéine est une chaîne de seulement 20 acides aminés, et beaucoup de ces positions sont essentielles : changer le mauvais résidu et la protéine cesse de fonctionner. Ars Technica explique que SynthID fonctionne en biaisant la probabilité de certains choix de l'IA, de sorte que le biais se répartit sur toute la sortie. Dans une image de millions de pixels, c'est facile. Une protéine de 500 acides aminés est, en comparaison, minuscule.

Pourquoi les protéines sont difficiles à marquer

Le risque d'échec existait dans les deux sens. Le filigrane pouvait ne pas porter assez de signal pour être détectable, ou le modèle pouvait déformer la séquence à un point tel, pour intégrer un filigrane, que la protéine obtenue devenait inactive. L'équipe DeepMind, selon Ars Technica, a testé la méthode plutôt que de supposer qu'elle fonctionnerait. Le contexte de ce travail : les mêmes outils de conception de protéines qui ont produit des enzymes capables de digérer les plastiques ou de bloquer des protéines venimeuses peuvent aussi être dirigés vers des toxines ou des protéines virales. Les logiciels de criblage utilisés ne signalent pas les protéines conçues par IA, parce que personne ne les a suffisamment caractérisées pour savoir lesquelles sont dangereuses.

La revendication d'Anthropic et les questions qui l'entourent

Le 1er octobre, Endpoints News a publié un entretien avec Eric Kauderer-Abrams, responsable des sciences de la vie chez Anthropic, sur la recherche sur les enzymes, le laboratoire de biologie de l'entreprise et un pipeline préclinique. Le média note qu'Anthropic a affirmé la semaine dernière que son système d'IA avait réalisé sa première découverte scientifique, les agents Claude ayant identifié un nouveau système enzymatique. Cette affirmation n'est pas passée sans contestation. Les listes Google News ont fait remonter un article de The Scientist daté du 29 septembre, demandant si la percée en biologie d'Anthropic était empruntée au travail d'un autre scientifique.

L'article de The Scientist n'est pas dans ce dossier au-delà de son titre et de son URL, si bien que le fond de cette question ne peut être évalué ici ; on notera seulement que la revendication de priorité est contestée. Le résultat d'Anthropic et l'article de DeepMind sur le filigrane ne sont pas des solutions concurrentes au même problème, mais ils se situent de part et d'autre d'une ligne. L'un porte sur ce que les systèmes d'IA peuvent produire. L'autre porte sur la manière dont n'importe qui d'autre peut vérifier ce qu'ils ont produit.

Des benchmarks qui mesurent la mauvaise chose

La vérification est un problème plus large que la conception de protéines. Un article soumis à arXiv le 29 septembre par Jiajun Wu, Jian Yang, Zixiang Ni, Zhenzhu Li et Bin Chong présente CARAT, un benchmark conçu pour tester si les grands modèles de langage spécialisés en matériaux raisonnent sur les structures cristallines ou se contentent de recopier les réponses imprimées dans leurs entrées. Les auteurs soulignent que la précision ne permet pas de distinguer les deux. Une description structurale imprime souvent le champ même sur lequel elle est évaluée, de sorte qu'un modèle peut obtenir un bon score en répétant ce qu'on lui a montré. CARAT fixe la question et la réponse de référence sur huit vues appariées et nomme chaque relation structurale séparément dans ce que les auteurs appellent GraphSpace.

Les résultats incluent une autocritique. Sur les familles les plus difficiles, la vue ancrée vaut 17,3 points de plus que les entrées de formule, indique l'article. GraphSpace bat un graphe périodique simple de 19,3 points, mais les auteurs décomposent cet écart : là où le rendu simple contient déjà tout ce dont la question a besoin, le gain est de 1,96 point, et là où il omet entièrement ces champs, le gain est de 46,7 points. Leur conclusion est que le chiffre phare mesure surtout ce qui manquait à la référence.

L'article attaque aussi son propre benchmark. Une règle qui saute un lien et lit directement la liste a répondu à quatre des sept familles durcies, si bien que les auteurs ont reconstruit le benchmark jusqu'à ce que onze de ces raccourcis tombent près du hasard. Sur un modèle figé, le système citait un lien mais renvoyait la même réponse lorsque le lien était redirigé dans 95,6 % des cas appariés : il répétait la relation sans l'utiliser. Après une supervision appariée, le chiffre atteignait 99,8 %, et supprimer le lien faisait chuter les performances à 23,4 %, en dessous des 27,0 % obtenus par le meilleur raccourci.

Le résumé des auteurs est sans détour : le modèle figé répète la relation sans l'utiliser, dans 95,6 % des cas appariés.

C'est une correction utile au moment où les résultats d'IA pour la science arrivent plus vite qu'on ne peut les vérifier. Un modèle qui récite une structure cristalline et un modèle qui raisonne à partir d'elle sont identiques sur un classement, de la même façon qu'une protéine conçue par IA et une protéine naturelle sont identiques aux yeux d'un cribleur d'ADN.

Contexte : ce qui bouge dans le domaine

L'activité commerciale autour de la conception de protéines et de matériaux par IA s'est poursuivie pendant la même période. Le 1er octobre, PA Media a rapporté que Hansa Biopharma s'associe à Cradle pour faire avancer la conception et l'ingénierie de protéines assistées par IA. Bioengineer.org a rapporté le 30 septembre qu'une recette guidée par IA avait dompté le désordre des matériaux pérovskites à haute entropie pour le solaire. R&D World a rapporté le même jour que sa société mère Arrowfly lançait AI for Engineers, une plateforme destinée aux ingénieurs qui naviguent dans l'IA.

Du côté de la recherche, Nature a publié le 28 septembre des travaux décrivant une découverte accélérée de vaccins à ARNm et nanoparticules lipidiques thermostables grâce à une IA économe en données, selon une liste Google News. Et le 1er octobre, Stanford HAI a annoncé 15 nouveaux chercheurs en science des données. Aucun de ces éléments n'est du même ordre qu'un schéma de filigrane ou un benchmark de raisonnement, mais ils expliquent pourquoi le problème de la vérification compte. La conception de protéines et la découverte de matériaux sont poussées en avant par un ensemble toujours plus large de laboratoires, de start-up et d'entreprises pharmaceutiques. Les outils pour vérifier leurs résultats n'avancent pas à la même vitesse.

Pour sa part, le travail de DeepMind sur le filigrane, tel que le décrit Ars Technica, n'est pas un outil de criblage. Il n'identifie pas les protéines dangereuses. Il identifie quelles protéines viennent d'un concepteur de confiance, afin que tout le reste soit traité avec plus de suspicion. C'est une revendication plus étroite qu'il n'y paraît au premier abord, et elle dépend de la volonté des concepteurs d'utiliser le filigrane.

Contexte plus ancien

Le dossier comprend aussi un rapport de ScienceDaily du 25 septembre, fondé sur une étude de l'Université de Colombie-Britannique publiée dans Organisms Diversity & Evolution, décrivant deux nouvelles espèces de pycnogonides de la mer des Salish. L'auteur principal, Cormac Toler-Scott, a déclaré s'intéresser à la façon dont les pycnogonides sont affectés par le changement climatique et les perturbations humaines, et n'avoir trouvé aucun travail existant. L'étude, qui a collecté des spécimens entre septembre 2023 et août 2024 à des profondeurs allant jusqu'à 18 mètres, marque la première nouvelle espèce de pycnogonide formellement décrite dans la mer des Salish en près de 100 ans.

Ce n'est pas une histoire d'IA. C'est un rappel du problème de référence qui traverse tout ce qui précède : les espèces étaient là, et personne ne les avait décrites. Il en va de même des protéines conçues par IA. Elles existent, on en fabrique, et jusqu'à récemment il n'existait aucun moyen convenu de les marquer.

Commentaires 0

Sources

4
  1. 01Google figures out how to watermark AI-designed proteinsEN
  2. 02Q&A: Anthropic's life sciences team talk Claude's first scientific discoveryEN
  3. 03CARAT: Do Materials LLMs Reason or Recite?EN
  4. 04Scientists discovered two bizarre new sea spiders that are "nightmare fuel"EN

Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.

Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.

Amélie Bernard

Amélie Bernard

Science et santé

Amélie Bernard couvre les sciences et la santé pour FLASH24, en s'appuyant sur les publications évaluées par les pairs, les communiqués des agences et les données brutes des études, sans reprendre les reprises de presse. Elle vérifie chaque chiffre en remontant à la source, compare les méthodologies et signale les tailles d'échantillon douteuses. Elle interroge régulièrement des chercheurs et des soignants, et attend les mises à jour des revues à comité de lecture avant de publier. Sa formation en physique des matériaux lui sert à décrypter les résultats techniques, et elle observe le ciel avec son propre télescope. Elle ne publie pas une donnée qu'elle n'a pas pu reproduire.

Rédaction →

Commentaires

0
  1. Aucun commentaire — soyez le premier.

Écrire un commentaire

Les commentaires sont publics. Nous ne publions ni insultes, ni spam, ni publicité.