Virus conçus par IA : l’expérience Evo expliquée simplement
Des chercheurs de Stanford et de l’Arc Institute ont demandé à une IA appelée Evo d’imaginer de nouveaux virus capables de s’attaquer à des bactéries.
Ils ont ensuite fabriqué en laboratoire certaines des propositions de l’IA pour vérifier si elles fonctionnaient vraiment. Seize ont fonctionné. Ces virus ont réussi à infecter des bactéries E. coli, et certains étaient même plus efficaces que le virus naturel dont les chercheurs s’étaient inspirés.
L’expérience est spectaculaire, mais elle est souvent résumée trop vite par « une IA a créé des virus ». Que fait exactement Evo ? Qu’est-ce qu’un bactériophage ? Pourquoi ces virus peuvent-ils être utiles en médecine ? Et quels risques posent des modèles capables d’écrire du code génétique ?
Evo, c’est quoi ?
Evo est un modèle de langage entraîné sur du code génétique. Le principe rappelle celui d’un LLM qui apprend les régularités d’un texte pour prédire la suite. Ici, les éléments manipulés ne sont pas des mots, mais les lettres de l’ADN : A, C, G et T.
Evo 2, présenté en 2025 puis publié dans Nature en 2026, a été entraîné sur environ 9 000 milliards de paires de bases d’ADN provenant de nombreux organismes. Il peut analyser de longues séquences, prédire l’effet de certaines variations génétiques et générer de nouvelles séquences.
Cette comparaison avec les LLM a cependant ses limites. Evo ne discute pas avec un biologiste et ne formule pas une théorie sur le fonctionnement d’un virus. Il apprend des régularités statistiques présentes dans les génomes et s’en sert pour proposer des séquences qui ressemblent à de la biologie plausible.
Comment l’IA a-t-elle produit 16 virus fonctionnels ?
L’équipe menée par Samuel H. King et Brian Hie est partie d’un virus bien connu : ΦX174, un petit bactériophage qui infecte E. coli. Son génome est court, bien étudié et adapté à une expérience de validation.
Les chercheurs ont utilisé Evo 1 et Evo 2 pour proposer de nouveaux génomes complets inspirés de cette famille. Les séquences ont ensuite été filtrées, puis une sélection a été synthétisée sous forme d’ADN et testée en laboratoire.
Sur les 302 séquences synthétiques reprises dans une analyse ultérieure de l’expérience, 16 ont donné des phages viables. Cela représente environ 5 % des candidats testés. Le chiffre peut sembler faible, mais générer un génome complet qui reste capable de former un virus fonctionnel est un exercice bien plus exigeant que produire une courte séquence d’ADN.
Plusieurs phages générés ont montré une meilleure aptitude que ΦX174 dans certaines expériences de croissance et de lyse. Un cocktail de phages générés a aussi réussi à infecter trois souches d’E. coli devenues résistantes au phage de départ.
Est-ce que l’IA a vraiment inventé de nouveaux virus ?
Oui, au sens où les séquences exactes générées par Evo étaient nouvelles. Mais il serait trompeur d’imaginer une IA inventant une forme de vie entièrement étrangère à ce que nous connaissons.
Une analyse publiée en juin 2026 a étudié plus précisément la nouveauté des phages obtenus. Elle conclut qu’Evo est particulièrement efficace pour trouver des séquences viables en restant relativement proche de virus déjà observés dans la nature. Les auteurs décrivent les modèles actuels comme de bons guides de l’espace évolutif connu, plutôt que comme des machines capables d’inventer de façon fiable une biologie radicalement nouvelle.
Evo semble donc avoir appris une partie des contraintes qui rendent certaines séquences compatibles avec un virus fonctionnel. Il peut les combiner et les modifier plus efficacement que de simples mutations aléatoires, sans pour autant maîtriser librement la conception de n’importe quel organisme.
Pourquoi créer des virus avec une IA ?
Le mot « virus » évoque immédiatement une maladie humaine. Pourtant, les virus étudiés ici sont des bactériophages, c’est-à-dire des virus spécialisés dans l’infection des bactéries. ΦX174 ne peut pas infecter les cellules humaines.
L’une des applications visées est la phagothérapie. Le principe consiste à utiliser des phages capables d’attaquer une bactérie pathogène. Cette piste intéresse notamment la recherche contre les bactéries résistantes aux antibiotiques ou contre des souches qui deviennent résistantes à un phage donné.
L’expérience avec Evo illustre ce potentiel : plusieurs variantes ont été générées, puis un cocktail de phages a réussi à contourner la résistance de trois souches d’E. coli au phage d’origine.
À terme, des modèles génomiques pourraient aider les biologistes à chercher plus vite parmi un nombre immense de séquences possibles. Le laboratoire resterait indispensable pour vérifier que les séquences proposées produisent l’effet attendu.
Quels risques pose la génération de génomes par IA ?
Une technologie capable de proposer des génomes utiles peut aussi devenir un outil à double usage. Le risque ne vient pas des 16 phages de cette expérience, choisis précisément parce qu’ils infectent des bactéries et présentent un faible risque pour l’humain. Il vient de la progression générale des modèles de conception biologique.
Le premier risque est l’abaissement de la barrière technique. Une partie de la recherche de séquences viables peut être confiée à un modèle au lieu de reposer uniquement sur des essais successifs et l’expertise humaine. Le second concerne la vitesse : un modèle peut parcourir un espace de séquences beaucoup plus large qu’un chercheur seul.
Le troisième concerne les systèmes de contrôle. Les fournisseurs qui synthétisent de l’ADN vérifient les commandes afin de repérer des séquences préoccupantes. En mai 2026, le NIST a souligné une limite croissante de cette approche : une séquence peut avoir une fonction dangereuse sans ressembler fortement à une séquence dangereuse déjà connue. L’organisme américain recommande de développer des contrôles capables d’évaluer aussi la fonction biologique.
Pour les petits phages étudiés avec Evo, une analyse publiée en juin 2026 estime le niveau actuel de préoccupation pour la création de nouveaux dangers biologiques comme faible à modéré. Ses auteurs précisent que ce résultat ne peut pas être généralisé automatiquement à des virus plus grands ou à des architectures différentes.
Quels garde-fous ont été prévus pour Evo ?
Les concepteurs d’Evo ont intégré la biosécurité dès les données d’entraînement. Pour Evo 2, les virus eucaryotes ont été exclus du corpus, ce qui englobe notamment les virus infectant l’humain. L’Arc Institute indique que cette exclusion réduit les performances du modèle sur les virus humains et que ses tests de red teaming produisent des séquences proches du hasard pour des protéines virales pathogènes.
L’expérience sur ΦX174 ajoute d’autres précautions : choix d’un bactériophage incapable d’infecter l’humain, spécialisation sur les phages, conservation de caractéristiques liées à l’hôte et validation expérimentale contrôlée.
Ces protections montrent pourquoi la sécurité ne peut pas reposer sur une consigne donnée au modèle. Elle se joue à plusieurs niveaux : données d’entraînement, modèle, filtrage des séquences, contrôle des commandes d’ADN et conditions de laboratoire.
Cette chaîne devient plus importante à mesure que les agents IA gagnent en autonomie. En juin 2026, le benchmark ABC-Bench a montré que des agents pouvaient écrire du code pour des robots de manipulation de liquides, concevoir des fragments d’ADN et traiter des tâches liées au screening de synthèse. Lors de validations en laboratoire, des scripts produits par un modèle ont piloté un robot OpenTrons pour assembler de l’ADN. Cela ne correspond pas à un laboratoire autonome capable de créer librement un organisme complexe, mais plusieurs briques techniques sont désormais disponibles.
Ce que l’expérience Evo change
Le résultat le plus intéressant n’est pas le chiffre de 16 virus. Evo montre qu’un modèle génératif peut proposer le génome complet d’un système biologique, puis voir certaines de ses propositions fonctionner une fois matérialisées en laboratoire.
Le modèle n’a pas créé un virus humain, ni conçu à la demande un pathogène doté de propriétés précises. Les phages produits restent proches de familles naturelles et l’expérience a été menée dans un cadre volontairement limité.
Le changement se situe surtout dans la méthode. Après avoir utilisé l’IA pour analyser des séquences biologiques, les chercheurs commencent à l’utiliser pour proposer directement de nouvelles séquences à fabriquer. Les applications médicales deviennent plus concrètes, et la question des garde-fous doit avancer au même rythme que les capacités des modèles.
Sources
- King et al., bioRxiv : étude originale sur la génération et la validation expérimentale de bactériophages avec Evo 1 et Evo 2.
- Arc Institute, How We Built the First AI-Generated Genomes : présentation de l’expérience, de ses applications envisagées et des contraintes de sécurité utilisées par l’équipe.
- Quantifying evolutionary novelty and design efficiency, bioRxiv : analyse de juin 2026 sur la nouveauté des phages générés, leur efficacité de conception et les implications de biosécurité.
- NIST, Beyond Sequence Similarity : publication de mai 2026 sur les limites du screening ADN fondé uniquement sur la similarité des séquences.
- ABC-Bench, arXiv : benchmark de juin 2026 consacré aux capacités d’agents IA sur des tâches biologiques et de laboratoire.
- Arc Institute, Evo 2: One Year Later : bilan sur Evo 2, les exclusions de virus eucaryotes du corpus et les évaluations de sécurité.
Evo a-t-il créé des virus capables d’infecter des humains ?
Non. L’expérience porte sur des bactériophages dérivés de ΦX174, un virus qui infecte des bactéries comme E. coli et pas les cellules humaines.
Combien de virus fonctionnels ont été générés avec Evo ?
Les chercheurs ont obtenu 16 bactériophages viables après synthèse et validation en laboratoire. Une analyse ultérieure porte sur 302 séquences synthétiques issues de l’expérience.
À quoi peuvent servir des bactériophages conçus par IA ?
Ils pourraient notamment aider à développer des phagothérapies contre des bactéries pathogènes ou résistantes. Dans l’expérience Evo, un cocktail de phages générés a réussi à infecter trois souches d’E. coli résistantes au phage de référence.
Evo fonctionne-t-il comme ChatGPT ?
Le principe comporte une ressemblance : Evo apprend à prédire la suite d’une séquence à partir de nombreuses données d’entraînement. Mais il travaille sur les nucléotides de l’ADN plutôt que sur des mots et il est spécialisé dans la génomique.
Les virus générés par Evo sont-ils entièrement nouveaux ?
Leurs séquences exactes sont nouvelles, mais elles restent relativement proches de virus naturels connus. Les analyses de 2026 montrent qu’Evo est aujourd’hui plus efficace pour parcourir l’espace évolutif existant que pour inventer une biologie radicalement différente.
