Human Longevity Inc crée une filiale d'IA pour prédire les maladies et décrypter la biologie du vieillissement

Human Longevity, Inc., pionnière des données de santé pilotées par la génomique, a créé une entité d'IA dédiée appelée Human Life Foundation Models, Inc. (HLFM), dotée d'une mission ciblée : développer les modèles d'IA les plus complets jamais entraînés sur des données de santé humaine et de vieillissement. Cette initiative est importante car les modèles de fondation — la même classe de technologie qui sous-tend les grands modèles de langage — peuvent synthétiser des schémas à travers des ensembles de données vastes et diversifiés d'une manière que les méthodes de recherche traditionnelles ne permettent pas, ouvrant potentiellement de nouvelles perspectives sur les raisons du vieillissement et les moyens d'intervenir.

L'annonce du lancement de HLFM s'articule autour d'une collaboration phare avec Insilico Medicine, une entreprise connue pour l'utilisation de l'IA générative dans la découverte de nouveaux médicaments. Ce partenariat s'étend sur plusieurs années et représente plusieurs millions de dollars ; il combine le vaste référentiel de données multi-omiques de Human Longevity (génomique, protéomique, métabolomique), l'imagerie médicale, les dossiers cliniques et le suivi longitudinal de la santé, avec l'architecture d'IA et l'infrastructure d'entraînement d'Insilico.

Les objectifs annoncés sont ambitieux : prédire le risque individuel de maladie de manière plus précoce et plus précise, décoder les mécanismes moléculaires et biologiques du vieillissement, accélérer la découverte de stratégies préventives et d'interventions thérapeutiques, et, à terme, soutenir une prise en charge de la longévité véritablement personnalisée. Ce sont précisément les problèmes que la recherche conventionnelle n'a pu résoudre en raison de la fragmentation des données et des limites analytiques.

Une caractéristique notable de la conception est l'architecture préservant la confidentialité. Les données brutes au niveau des patients restent chez leurs dépositaires d'origine et ne sont jamais centralisées ni transférées à Insilico. L'entraînement des modèles s'effectue dans des environnements sécurisés et décentralisés. Cette approche répond à un obstacle majeur de l'IA en santé : la tension entre l'utilité des données et la confidentialité des patients.

Certaines réserves méritent d'être soulignées. Il s'agit d'une annonce industrielle, et non d'une recherche évaluée par des pairs. Aucun résultat de modèle ni aucune donnée de validation clinique n'ont encore été publiés. Les chiffres de valorisation du marché cités (UBS prévoyant que les dépenses liées à la longévité atteindront 8 000 milliards de dollars d'ici 2030) reflètent un cadrage commercial. L'impact concret dépendra de la capacité des modèles développés à démontrer une précision prédictive validée et à se traduire en outils cliniques exploitables.