Comment l'IA trouve de nouvelles cibles moléculaires pour le vieillissement sain

Les scientifiques qui étudient le vieillissement disposent d'un nouvel outil : des systèmes d'intelligence artificielle qui peuvent analyser des milliers de molécules ou d'ensembles de données génétiques en quelques jours et signaler les quelques molécules les plus susceptibles d'affecter la façon dont les cellules vieillissent. Plusieurs projets rendus publics ces dernières semaines montrent comment cela fonctionne en pratique — parmi lesquels un laboratoire d'université brésilien, une entreprise de biotechnologie internationale, et une équipe de recherche exploitant de grandes bases de données génomiques publiques — et ils visent tous le même problème sous-jacent : le stress oxydatif et les dommages cellulaires qui s'accumulent avec l'âge.

Un modèle d'IA explicable chasse les peptides antioxydants

À la Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), une équipe dirigée par le professeur de chimie André Silva Pimentel, travaillant avec les chercheurs Maria Carolina J. A. Schneider et Marina Geisiely Damaso Godinho Alves, a publié une étude sur l'intelligence artificielle explicable appliquée aux peptides antioxydants, selon un article que l'équipe a écrit pour The Conversation Brasil le 5 octobre 2026. Les peptides sont de courtes chaînes d'acides aminés qui se produisent naturellement dans les protéines alimentaires ou peuvent être synthétisés, et certains d'entre eux peuvent neutraliser les radicaux libres — des molécules instables qui endommagent les cellules lorsqu'elles s'accumulent plus vite que les systèmes antioxydants du corps ne peuvent les éliminer.

Le groupe de la PUC-Rio a utilisé une méthode appelée IA explicable, qui diffère des modèles d'apprentissage automatique standard sur un point clé : au lieu de produire simplement une prédiction, elle montre également quelles parties de la séquence d'acides aminés d'un peptide ont le plus influencé cette prédiction. Selon les chercheurs, cela permet aux scientifiques de voir quelles caractéristiques structurelles rendent un peptide plus susceptible d'agir comme antioxydant, plutôt que de traiter l'IA comme une boîte noire. Les travaux ont été financés par la FAPERJ, la fondation de recherche d'État de Rio de Janeiro, et ont également été couverts par le média brésilien Brasil em Folhas, qui a décrit le même laboratoire et la même méthodologie.

La valeur pratique, ont écrit les chercheurs, est la rapidité : au lieu de tester en laboratoire de grands nombres de candidats peptides un par un, le modèle d'IA réduit une longue liste aux quelques séquences les plus intéressantes à tester expérimentalement. L'équipe a indiqué que les applications potentielles s'étendent au-delà des cosmétiques anti-vieillissement et des nutraceutiques pour la recherche sur les conditions liées au stress oxydatif comme la maladie d'Alzheimer, la maladie de Parkinson et le cancer — bien qu'ils aient décrit cela comme une direction pour des études ultérieures, non comme un traitement fini.

Les plus grands systèmes d'IA analysent les génomes et les bibliothèques de médicaments pour trouver des cibles du vieillissement

Un effort distinct à plus grande échelle provient d'Insilico Medicine, une entreprise de biotechnologie qui développe des outils d'IA pour la découverte de médicaments. Le 17 septembre 2026, l'entreprise a publié une étude en couverture de la revue Cell décrivant une boîte à outils open source pour la recherche sur la longévité, construite avec Liquid AI, l'Institut Buck pour la recherche sur le vieillissement, la Faculté de médecine de Harvard et l'Hôpital Brigham and Women's, selon l'annonce d'Insilico Medicine.

La boîte à outils comprend trois éléments : LongevityBench, un benchmark qui teste la capacité des modèles d'IA à raisonner sur la biologie du vieillissement sur cinq types de données incluant la génétique et la protéomique ; Longevity-LLMs, une famille de modèles de langage compacts (allant de 0,6 à 9 milliards de paramètres) entraînés spécifiquement sur des données liées au vieillissement ; et Longevity Claw, une plateforme de recherche autonome destinée à identifier et classer les cibles d'intervention potentielles liées au vieillissement. Insilico Medicine a rapporté que son modèle spécialisé de 9 milliards de paramètres égalait ou dépassait 16 systèmes d'IA à usage général de pointe sur les tâches de biologie du vieillissement, et que Longevity Claw avait proposé 328 cibles candidats d'intervention du vieillissement, ce qui, selon l'entreprise, a montré un enrichissement pouvant aller jusqu'à 5,6 fois pour les gènes liés au vieillissement par rapport à un ensemble de référence publié de manière indépendante de cibles de vieillissement validées expérimentalement.

Une troisième approche, décrite par le site d'actualités de la recherche sur le vieillissement Lifespan.io, a utilisé un outil d'IA appelé ClockBase Agent — construit par une équipe dirigée par le chercheur Vadim Gladyshev — pour exploiter plus de 2 millions d'ensembles de données existants de séquençage d'ARN et épigénétiques couvrant 43.529 interventions biologiques enregistrées. Le système a signalé des médicaments connus incluant la rapamycine, la metformine, le fénofibrate et l'ouabaïne comme étant liés à un vieillissement biologique plus lent dans les données ; Lifespan.io a rapporté que lors de tests de suivi chez des souris de 20 mois, trois mois de traitement à l'ouabaïne ont été associés à l'amélioration des scores de fragilité, de la performance cognitive, de l'état du pelage et de la fonction cardiaque, bien que le preprint décrivant l'étude complète ait été publié en novembre 2025 et n'ait pas encore été confirmé dans les essais humains.

Ce que cette recherche montre et ne montre pas

Aucun de ces projets ne prétend avoir produit un traitement anti-vieillissement approuvé. Le modèle de peptide de PUC-Rio et la liste de cibles d'Insilico Medicine sont des outils de prédiction destinés à prioriser les candidats pour les tests de laboratoire et les essais cliniques, et non des thérapies abouties. Les résultats d'ouabaïne décrits par Lifespan.io proviennent d'expériences animales, non d'essais cliniques humains. Les chercheurs impliqués dans l'étude de PUC-Rio et d'Insilico Medicine considèrent leur travail comme réduisant un très grand espace de recherche — des millions de molécules possibles ou de cibles géniques — afin que les ressources rares de laboratoire et cliniques soient dépensées en testant d'abord les candidats les plus prometteurs.

• IA explicable (PUC-Rio) : signale quelles séquences d'acides aminés dans les peptides dérivés de sources alimentaires ou synthétiques sont probablement des antioxydants.
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine, avec Institut Buck et Faculté de médecine de Harvard) : benchmark et classement des cibles géniques liées au vieillissement dans les ensembles de données omiques.
• ClockBase Agent (équipe de recherche de Gladyshev) : exploite les ensembles de données génomiques publics existants pour signaler les médicaments existants associés à un vieillissement biologique plus lent dans les données animales.