ADN qui passe entre cellules & CAR-T renforcé contre glioblastome - Actualités (21 mai 2026)

On commence par cette découverte qui intrigue déjà les biologistes: à l’UT Southwestern, une équipe affirme avoir observé le transfert de grands fragments d’ADN d’une cellule humaine à une autre. L’idée n’est pas juste un échange de petites molécules: ces fragments peuvent survivre, atteindre le noyau, s’intégrer au génome et rester actifs, au point d’être transmis lors de divisions cellulaires. Le détail marquant, c’est l’observation de fragments du chromosome Y passant de cellules mâles vers des cellules femelles, avec activation de gènes typiquement masculins. Pourquoi c’est intéressant ? Parce que cela bouscule une hypothèse ancienne: dans un tissu, les cellules ne feraient évoluer leur génome qu’indépendamment. Si ces transferts se confirment et s’avèrent fréquents, cela pourrait aussi éclairer la manière dont des cancers acquièrent rapidement de grands changements chromosomiques après des stress comme chimio ou irradiation.

Autre avancée côté biomédecine, avec une piste pour un cancer du cerveau particulièrement difficile: le glioblastome. Des chercheurs de l’UCLA présentent une approche CAR‑T préclinique dite « renforcée par cytokines », testée chez des souris avec système immunitaire intact. L’enjeu des tumeurs solides, c’est qu’elles échappent souvent aux CAR‑T en changeant de visage: toutes les cellules tumorales n’expriment pas la même cible. Ici, les cellules CAR‑T sont conçues pour déclencher une mobilisation immunitaire plus large dans la tumeur, ce qui aide à éliminer aussi des cellules qui n’affichent pas la cible principale. Point important: activer fortement l’immunité peut aussi augmenter les effets indésirables. L’équipe dit avoir testé des stratégies de sécurité et un design complémentaire visant un facteur lié aux vaisseaux anormaux de la tumeur, avec l’objectif de réduire la toxicité tout en gardant l’efficacité chez la souris. On en est encore avant l’essai chez l’humain, mais c’est le type de résultat qui alimente, prudemment, l’espoir de rendre les CAR‑T plus crédibles contre des tumeurs solides.

Passons maintenant à l’actualité IA et science, avec une tendance claire: des systèmes qui ne font pas qu’écrire du texte, mais orchestrent des étapes de recherche. Dans Nature, deux « IA co‑scientifiques » sont décrites comme des équipes d’agents spécialisés, capables de générer des hypothèses, parcourir la littérature, proposer des expériences et analyser des résultats — tout en laissant les décisions clés et le travail au laboratoire aux humains. Chez Google DeepMind, le système a été testé sur le repositionnement de médicaments contre une leucémie aiguë myéloïde. Le fait marquant, c’est la vitesse: des candidats en quelques heures. Les chercheurs en ont retenu cinq à tester, et trois ont montré des effets encourageants, à ce stade uniquement sur des cellules en culture. De son côté, l’organisation FutureHouse décrit « Robin », appliqué à la dégénérescence maculaire liée à l’âge, forme sèche. Le système a notamment mis en avant le ripasudil, un médicament du glaucome, comme candidat potentiel, avec des tests de confirmation suggérés. Pourquoi c’est intéressant ? Parce que, si ces workflows tiennent leurs promesses, ils pourraient compresser certaines étapes amont — celles qui prennent classiquement des semaines de lecture, d’itérations et de tri — en jours, voire en heures. Mais la prudence est totale: un signal en culture cellulaire ne garantit rien, et beaucoup de pistes s’éteignent dès qu’on passe à des modèles plus exigeants ou à la clinique.

Toujours dans Nature, Google présente un autre outil qui vise un goulot d’étranglement bien connu des labos: le code. Le système, appelé ERA, est conçu pour produire et affiner automatiquement des programmes de recherche sur des tâches où l’on peut mesurer la performance de manière objective — par exemple prédire des hospitalisations ou améliorer des modèles sur des données biologiques. Ce qui retient l’attention, c’est l’approche: au lieu de proposer une seule solution, ERA explore un grand nombre de variantes, les teste, garde ce qui marche, et recommence. Dans des démonstrations, l’équipe affirme avoir obtenu des modèles de prévision d’hospitalisations liées au COVID plus performants que des références très utilisées, et accéléré des travaux de modélisation qui, d’ordinaire, prennent des semaines. Le point à suivre, c’est l’impact réel au quotidien: si ces outils tiennent la route hors démonstration, cela pourrait déplacer le temps des chercheurs, moins vers le réglage de scripts et plus vers les bonnes questions scientifiques — avec, en contrepartie, un besoin accru de vérification et de traçabilité des choix de modélisation.

Côté mathématiques, OpenAI affirme qu’un nouveau modèle de raisonnement généraliste a produit une preuve originale qui contredit une conjecture de géométrie discrète attribuée à Paul Erdős et datant de 1946. Cette annonce est scrutée de près, parce qu’OpenAI a déjà été critiquée par le passé après une déclaration trop enthousiaste sur des « problèmes d’Erdős » prétendument résolus. Ici, l’entreprise met en avant des commentaires de mathématiciens reconnus, dont certains avaient justement contesté la communication précédente. Sur le fond, l’intérêt est double: d’abord, l’idée qu’un système puisse trouver une nouvelle famille de constructions là où beaucoup pensaient que les meilleures ressemblaient à une grille régulière. Ensuite, le message plus large: la capacité à enchaîner longtemps, à relier des idées et à aboutir à quelque chose de vraiment nouveau… à condition que la communauté valide, reproduise et adopte. En mathématiques, l’épreuve du feu, c’est toujours l’examen collectif.

La question de la confiance en ligne revient aussi via un autre chantier: identifier les contenus générés par IA. Google annonce que son système de filigrane, SynthID, aurait déjà marqué des volumes massifs d’images, de vidéos et d’audio, et surtout qu’il s’étend au-delà de l’écosystème Google. Le changement important, ce sont les partenariats: des acteurs majeurs prévoient d’adopter SynthID pour leurs propres générateurs. En parallèle, Google pousse un standard de métadonnées de provenance, pour ajouter des informations sur l’origine et les transformations d’un contenu. Pourquoi c’est notable ? Un marquage n’est utile que s’il devient courant, interopérable, et facile à vérifier. Même dans ce scénario, il restera une limite: des modèles ouverts, ou des contenus non marqués, continueront d’échapper aux détecteurs. Mais à grande échelle, ces signaux peuvent quand même aider plateformes, journalistes et utilisateurs à trier plus vite le probable du douteux.

Dans la même veine, une étude de l’UC San Diego relance le débat sur le « test de Turing ». En discussion écrite, des participants devaient distinguer un humain d’un modèle dans une configuration à trois interlocuteurs. Résultat: certains modèles récents ont été jugés humains très souvent, surtout quand on leur demandait d’adopter une persona précise, avec un style, un ton, et même des petites imperfections crédibles. La conclusion est moins « les machines sont intelligentes » que « elles deviennent très convaincantes socialement quand on les guide ». Et c’est là que le risque grimpe: si un bot peut passer pour une personne, la fraude, l’ingénierie sociale et la manipulation d’opinion deviennent plus faciles, à plus grande échelle. Autrement dit: la question n’est plus seulement la performance, mais l’authentification et la confiance dans nos espaces numériques.

On termine avec la géopolitique, où l’IA n’est jamais très loin des rapports de force. D’abord en Asie: Singapour a signé des accords IA distincts avec Google et OpenAI pour accélérer des déploiements dans les services publics, la santé, l’éducation et les entreprises. OpenAI prévoit d’y installer un laboratoire appliqué, présenté comme le premier de ce type hors des États‑Unis, avec une ambition affichée de recrutement et de formation. Le signal est clair: Singapour veut se positionner comme plateforme stable, attractive et « neutre » pour développer et tester des solutions IA, en continuité avec sa stratégie nationale et ses investissements annoncés sur plusieurs années.

Autre dossier sensible: Taïwan. Donald Trump dit envisager de parler avec le président taïwanais Lai Ching‑te au sujet d’une possible vente d’armes américaine. Ce serait un geste hautement symbolique, car les échanges directs au sommet sont évités depuis des décennies, Washington ayant transféré sa reconnaissance diplomatique à Pékin à la fin des années 1970. La Chine a déjà condamné l’idée, et on comprend pourquoi: un appel de ce niveau, plus un éventuel paquet d’armement, serait vu comme un durcissement. Dans un contexte où Taïwan est décrit par beaucoup comme le principal point de friction sino‑américain, le moindre signal peut provoquer une escalade diplomatique, voire militaire, si la gestion politique se durcit.

Enfin, sur l’Europe et l’OTAN: les États‑Unis devraient annoncer qu’ils réduiront ce qu’ils mettraient à disposition de l’Alliance en cas de crise ou de guerre, dans une logique « America First ». Il ne s’agit pas, à court terme, d’un départ massif des troupes stationnées en Europe, mais plutôt d’un ajustement qui pèserait sur la capacité de renfort et de soutien matériel en scénario dur. Pour les alliés européens, le message est assez direct: même si les effectifs sur place ne bougent pas immédiatement, la planification de crise devient plus incertaine, et il faut combler des trous potentiels — logistique, équipements, rapidité de renfort — si Washington confirme un désengagement progressif.