Une analyse qui prend habituellement plusieurs heures, bouclée en quelques minutes, avec à la clé la mise au jour de mécanismes inconnus d'une maladie génétique rare liée au gène AK2. C'est le genre de résultat que Google DeepMind met en avant pour présenter Gemini for Science, sa nouvelle collection d'outils expérimentaux déployée le 25 juin 2026 sur la plateforme Google Antigravity.
L'annonce n'arrive pas par hasard. Depuis qu'AlphaFold a prédit la structure de pratiquement toutes les protéines connues, Google DeepMind a acquis une crédibilité réelle dans le monde de la recherche biologique. Plus de trois millions de chercheurs utilisent déjà la base de données AlphaFold. Gemini for Science est, d'une certaine façon, la suite logique : passer de la modélisation statique à une IA capable d'agir, de raisonner sur des corpus gigantesques et d'assister activement le processus scientifique.
Trente bases de données branchées sur un seul agent
Le cœur de l'offre, baptisé Science Skills, connecte Gemini à plus de trente grandes bases de données en sciences du vivant : UniProt, l'AlphaFold Database, l'AlphaGenome API ou encore InterPro, qui recense les familles de protéines et leurs domaines fonctionnels. L'idée est de permettre à un chercheur d'interroger simultanément ces ressources via une interface en langage naturel, sans avoir à jongler entre une demi-douzaine d'outils différents.
C'est ce qu'on appelle l'IA agentique : un système qui ne se contente pas de répondre à une question, mais qui orchestre lui-même plusieurs étapes — requêtes, récupération de données, raisonnement, synthèse — pour produire un résultat exploitable. Dans le cas de l'analyse sur la maladie liée à AK2, Google indique que l'outil a permis de réduire drastiquement le temps de traitement tout en révélant des pistes que l'approche manuelle n'avait pas identifiées. Les détails méthodologiques restent succincts dans la communication officielle, ce qui appelle naturellement une certaine prudence : les validations indépendantes restent à venir.
Hypothesis Generation, ou comment synthétiser des millions de publications
L'autre outil mis en avant est Hypothesis Generation, construit en partenariat avec Co-Scientist, le projet de Google dédié à la génération automatique d'hypothèses de recherche. Son ambition : ingérer des millions de publications scientifiques publiées chaque année pour en extraire des connexions non évidentes et proposer de nouvelles pistes expérimentales.
Le problème que cet outil tente de résoudre est bien réel. La littérature scientifique croît à une vitesse telle qu'aucun chercheur individuel — ni même une équipe entière — ne peut en suivre le rythme. En médecine, en génomique ou en biologie moléculaire, des découvertes importantes peuvent rester isolées des années parce qu'elles n'ont jamais été croisées avec les bons travaux adjacents. Un système capable de cartographier automatiquement ces connexions représente une aide potentiellement considérable, à condition que la qualité des synthèses soit au rendez-vous et que les biais inhérents aux LLM ne contaminent pas les hypothèses produites.
Google DeepMind présente Hypothesis Generation comme un outil expérimental, un qualificatif qui revient souvent dans la communication autour de Gemini for Science. C'est honnête : on est loin d'une validation clinique, et l'entreprise ne prétend pas le contraire.
Un pivot stratégique, pas une promesse de plus
Ce qui distingue cette annonce de beaucoup d'autres dans le secteur, c'est l'infrastructure sous-jacente. Google ne part pas de zéro avec un modèle généraliste bricolé pour l'occasion. AlphaFold, AlphaGenome, les années de travail sur les bases de données biologiques : il y a une réelle continuité entre les investissements passés de DeepMind et ce que Gemini for Science cherche à assembler.
La plateforme Google Antigravity, qui héberge ces expériences, joue le rôle d'un terrain de jeu structuré pour chercheurs. Les outils y sont accessibles en phase de test précoce, ce qui permet à Google de collecter des retours du terrain tout en entretenant l'intérêt de la communauté scientifique. Une façon aussi de garder la main sur l'écosystème, à l'heure où des concurrents comme Microsoft (avec son partenariat OpenAI) ou des startups spécialisées en biologie computationnelle investissent massivement le même terrain.
La vraie jauge de succès sera la suivante : dans douze ou dix-huit mois, combien de publications peer-reviewed auront été co-produites grâce à ces outils ? L'exemple de la maladie liée à AK2 est prometteur, mais un exemple ne fait pas une démonstration. Les trois millions d'utilisateurs d'AlphaFold montrent néanmoins que DeepMind sait construire des outils qui s'intègrent réellement dans les pratiques des chercheurs — une rareté dans un secteur où beaucoup d'annonces restent lettre morte.
