Une IA conçue pour accompagner la découverte scientifique

Dans un article publié dans Nature, une équipe réunissant des chercheurs de Google DeepMind, Google Research, Google Cloud AI Research, de l’Université Stanford, de l’Imperial College London et de plusieurs autres partenaires académiques et industriels, présente Co-Scientist, un système d’IA destiné à soutenir le processus de recherche, à savoir : formuler des hypothèses originales puis à les soumettre à une validation expérimentale.

L’objectif est d’aider les scientifiques à produire de nouvelles hypothèses de recherche à partir d’un objectif scientifique donné et des connaissances déjà disponibles dans la littérature. Le système ne vise pas à remplacer l’expérimentation, mais à accélérer la phase de génération et d’évaluation des idées qui précède.

Une architecture multi-agents fondée sur Gemini

Co-Scientist repose sur une architecture multi-agents développée à partir de Gemini. Plusieurs agents spécialisés interagissent de manière continue pour proposer, critiquer, améliorer et sélectionner des hypothèses de recherche.

Les auteurs décrivent un cadre d’exécution asynchrone qui permet d’augmenter les ressources de calcul mobilisées au moment de l’inférence. Cette approche de « test-time compute scaling » consiste à consacrer davantage de calcul à l’exploration et à l’évaluation des pistes scientifiques, plutôt qu’à s’appuyer uniquement sur les capacités acquises durant l’entraînement du modèle.

Le système intègre également un mécanisme d’« évolution par tournoi ». Les hypothèses générées sont mises en compétition, évaluées puis progressivement raffinées afin d’améliorer leur qualité au fil des itérations.

Selon les auteurs, les évaluations automatisées montrent que l’augmentation des ressources de calcul mobilisées pendant cette phase améliore continuellement la pertinence et la qualité des hypothèses produites.

Trois cas d’usage biomédicaux

Bien que présenté comme un système généraliste, Co-Scientist a été évalué dans trois domaines de recherche biomédicale :

• le repositionnement de médicaments ;
• l’identification de nouvelles cibles thérapeutiques ;
• l’explication des mécanismes de résistance aux antimicrobiens.

Les travaux les plus avancés concernent la leucémie aiguë myéloïde. Le système a proposé de nouveaux candidats au repositionnement thérapeutique ainsi que des associations médicamenteuses susceptibles d’agir de manière synergique.

Ces propositions ont ensuite été testées expérimentalement in vitro, permettant aux chercheurs de valider certaines des hypothèses générées par l’IA.

Pour les auteurs, ces résultats illustrent la possibilité d’utiliser des systèmes d’IA non seulement pour analyser des données existantes, mais également pour participer à la production de nouvelles connaissances scientifiques.

Référence

Gottweis J., Weng W.-H., Daryin A. et al. Accelerating scientific discovery with Co-Scientist. Nature, 2026.