Contexte et objectifs

Lors du Real World AI Stage de TechCrunch Disrupt 2026, Ben Lamm, co‑fondateur de Colossal Biosciences, a présenté la stratégie de l’entreprise visant à ramener des espèces disparues, notamment le mammouth laineux. Le projet s’appuie sur la convergence de l’intelligence artificielle, de la biologie synthétique et de la génomique computationnelle. L’objectif déclaré est de créer un organisme viable dont le génome intègre les caractéristiques essentielles de l’espèce éteinte tout en conservant la compatibilité avec un hôte moderne, généralement l’éléphant d’Asie.

Architecture technique de l'IA appliquée à la dé‑extinction

Colossal exploite plusieurs modèles d’apprentissage profond. D’abord, des réseaux de type transformer sont entraînés sur des bases de données de séquences génomiques de proches parents vivants pour prédire les segments manquants du génome du mammouth. Ces modèles remplissent les lacunes en s’appuyant sur des alignements multiples et des scores de conservation. Ensuite, AlphaFold ou des variantes de réseaux de prédiction de structure protéique sont utilisées pour valider la conformation tridimensionnelle des protéines synthétisées, garantissant que les mutations introduites ne compromettent pas la fonction biologique. Enfin, des générateurs de séquences basés sur des GAN (Generative Adversarial Networks) proposent des variantes d’ADN optimisées pour la stabilité chromosomique et la minimisation des off‑targets CRISPR.

Le pipeline intègre également des simulations de dynamique moléculaire afin d’évaluer la viabilité des interactions protéine‑ADN dans le contexte cellulaire. Chaque étape produit des métriques quantifiables : taux de couverture du génome (ex. >95 % des bases estimées), score de confiance AlphaFold (>90 % de précision) et nombre d’off‑targets CRISPR (<5 % du génome cible). Ces indicateurs sont cruciaux pour passer de la conception in silico à la synthèse biologique.

Limites scientifiques et contraintes techniques

Malgré la puissance des modèles, plusieurs incertitudes subsistent. Les algorithmes de reconstruction génomique ne peuvent pas inférer les éléments épigénétiques ni les interactions environnementales qui ont façonné l’expression génique historique. De plus, la précision des prédictions dépend fortement de la qualité et de la diversité des génomes de référence, souvent limitées à quelques individus d’éléphants vivants. Sur le plan de la synthèse, la fabrication de chromosomes entiers dépasse encore les capacités actuelles de la technologie de séquençage de synthèse, qui reste coûteuse et sujette à des erreurs de lecture.

Sur le plan éthique, l’absence de données quantitatives publiques sur les essais en laboratoire rend difficile l’évaluation des risques de transfert horizontal de gènes ou d’impact sur les populations existantes. Le débat autour de la « dé‑extinction » se poursuit, avec des voix qui soulignent le risque de détourner des ressources des programmes de conservation traditionnels.

Perspectives et défis futurs

Pour progresser, les chercheurs devront améliorer la résolution des modèles de prédiction d’épigénétique, intégrer des données climatiques historiques et développer des plateformes de fabrication de génomes à l’échelle du chromosome. La réduction des coûts de séquençage et l’optimisation des algorithmes de réduction d’off‑targets CRISPR seront également déterminantes. En parallèle, la communauté devra établir des cadres réglementaires transparents afin de baliser l’usage de l’IA dans la manipulation du vivant.