OpenAI a publié le 9 septembre 2026 le témoignage de César de la Fuente, bioingénieur à l’Université de Pennsylvanie, qui mène sa recherche d’antibiotiques par IA avec Codex et ChatGPT. Sa méthode s’appuie sur des modèles de deep learning entraînés à repérer, dans des jeux de données génomiques et protéiques, des séquences susceptibles de produire de nouvelles molécules antimicrobiennes — une tâche qui prenait des années et se réduit désormais à quelques heures pour la phase de recherche initiale de candidats.
Un problème resté sans solution depuis 50 ans
Le chercheur situe l’enjeu sans détour : « La résistance aux antimicrobiens est à mon avis l’une des plus grandes menaces existentielles pour l’humanité. Et pourtant, nous n’avons pas eu de nouvelle classe d’antibiotiques depuis 50 ans. » Selon les chiffres cités dans le billet, la résistance bactérienne aux antimicrobiens a été associée à environ 5 millions de décès en 2021, un bilan annuel qui devrait à peu près doubler d’ici 2050 si aucune nouvelle classe de traitement n’émerge.
Codex pour le code, ChatGPT pour relier les disciplines
Dans son flux de travail, César de la Fuente utilise Codex pour écrire et affiner le code qui traite les données génomiques, télécharger et organiser de grands jeux de données de génomes, puis analyser les résultats obtenus. ChatGPT intervient en complément : brainstorming d’hypothèses de recherche, clarification de terminologie technique issue de disciplines qu’il ne maîtrise pas nativement, comparaison de méthodes entre champs scientifiques différents, et travail dans sa langue natale pour explorer des sujets en dehors de son champ d’expertise direct.
Cette division du travail illustre un usage de plus en plus répandu de l’IA générative en recherche : moins comme un outil qui remplace l’expertise scientifique que comme un accélérateur qui comprime le temps passé sur les tâches répétitives — traitement de données, revue de littérature, code d’analyse — pour laisser plus de place à l’interprétation des résultats.
L’expérimentation reste irremplaçable
Le chercheur insiste néanmoins sur une limite claire de la méthode : les prédictions générées par l’IA doivent être validées par des expériences en laboratoire. « Les expériences de terrain sont essentielles pour valider les prédictions de l’IA. Ce sera critique pour les sciences de la vie dans les années à venir, si nous voulons continuer à explorer la surface de notre compréhension de la biologie, qui est la chose la plus complexe qui soit », précise-t-il dans le billet publié sur le blog d’OpenAI.
L’IA accélère donc le tri parmi des millions de candidats moléculaires possibles, mais chaque piste retenue doit encore passer par le crible classique des tests en laboratoire avant d’espérer devenir un traitement. C’est cette combinaison — recherche assistée par IA en amont, validation expérimentale en aval — qui structure aujourd’hui la plupart des projets sérieux de découverte de médicaments assistée par intelligence artificielle.
Comment l’IA accélère-t-elle la recherche d’antibiotiques ?
Des modèles de deep learning analysent des jeux de données génomiques et protéiques pour repérer des séquences susceptibles de produire des molécules antimicrobiennes, réduisant la phase de recherche initiale de candidats de plusieurs années à quelques heures.
Pourquoi la résistance aux antimicrobiens est-elle si préoccupante ?
Elle a été associée à environ 5 millions de décès en 2021 et ce bilan annuel devrait à peu près doubler d’ici 2050, alors qu’aucune nouvelle classe d’antibiotiques n’a été découverte depuis 50 ans.
L’IA remplace-t-elle les tests en laboratoire ?
Non. Le chercheur César de la Fuente insiste sur le fait que les expériences de terrain restent essentielles pour valider toute prédiction générée par l’IA avant de la considérer comme un candidat médicament viable.
