Hugging Face publie une IA ouverte qui lit l'ADN sans faire sortir les données du laboratoire

Cette mutation d'un gène est-elle anodine ou pathogène ? C'est le genre de question que Carbon-X, le nouveau modèle d'IA de Hugging Face, doit pouvoir traiter, en lisant directement la séquence d'ADN puis en expliquant son raisonnement en langage courant.

Le modèle, présenté le 22 octobre par le magazine Wired, est en libre accès sur la plateforme de la jeune pousse franco-américaine, sous licence Apache 2.0, qui autorise l'usage commercial. Il compte environ 14,8 milliards de paramètres et tient, selon sa fiche technique, sur une seule carte graphique de 80 Go.

Un modèle de langage qui a appris à lire l'ADN

Carbon-X n'a pas été construit de zéro. Ses auteurs sont partis de Qwen3-14B, un modèle généraliste du chinois Alibaba, qu'ils ont réentraîné sur environ 302 milliards d'unités de texte : 55 % d'ADN brut, 20 % de texte anglais, 15 % de textes de biologie et 10 % d'exemples d'instructions. Suivent un affinage supervisé et une phase d'apprentissage par renforcement.

La fiche du modèle cite plusieurs usages : estimer si une mutation est bénigne ou pathogène, repérer les régions qui régulent l'activité des gènes, classer une séquence selon le groupe d'organismes dont elle provient, prédire les bases suivantes. Hugging Face le présente aussi comme un outil qu'un agent d'IA peut appeler. Selon la fiche du modèle, des équipes de recherche chinoises et italiennes ont participé au projet : la Zhongguancun Academy, l'Institut Telethon de génétique et de médecine et l'université de Naples Frédéric-II.

Il y a des limites pratiques. Le modèle a été entraîné sur des morceaux allant jusqu'à environ 49 000 paires de bases et n'accepte pas plus de 40 960 unités en entrée : impossible donc de lui soumettre un génome humain entier, il faut l'interroger région par région. Les entrées beaucoup plus longues que ses exemples d'entraînement n'ont pas été évaluées.

Des scores mesurés par les auteurs eux-mêmes

Sur cinq tests consacrés à l'ADN, Carbon-X obtient en moyenne 66,7 %, contre 67,5 % pour GPT-6.1 Sol d'OpenAI, selon la fiche du modèle. Ces chiffres ont été mesurés par l'équipe de Hugging Face, et deux des cinq tests ont été créés par elle. Aucune évaluation indépendante n'est encore disponible.

La fiche signale elle-même ses faiblesses : des scores bas pour repérer les sites d'épissage (29,8 %), une étape clé de la lecture des gènes, des erreurs sur le comptage et les coordonnées, des réponses inventées. Surtout, elle précise que le modèle n'a pas été validé cliniquement et ne doit pas servir à des décisions médicales. Wired souligne qu'aucune validation en laboratoire n'a encore été faite : c'est elle qui dira si l'outil sert vraiment la recherche.

Pourquoi le faire tourner chez soi compte en Europe

L'argument le plus concret pour un laboratoire européen tient moins aux performances qu'au mode de déploiement. Les données génétiques font partie des catégories particulières de données protégées par le RGPD. Un modèle ouvert, installé sur un serveur interne, permet de les analyser sans les envoyer à un service d'IA extérieur, souvent américain.

Pour les équipes qui veulent essayer, la fiche indique que les poids tiennent sur une seule carte graphique de 80 Go avec le moteur d'inférence vLLM. Les mêmes précautions s'imposent que pour tout modèle de langage : vérifier ses réponses, surtout quand elles portent sur des positions précises dans une séquence.

Reste à voir ce que diront les généticiens, qui pourront tester le modèle sur leurs propres données, et les premières évaluations indépendantes.