Comment GPT-5 a aidé un immunologiste à résoudre un mystère vieux de 3 ans

Derya Unutmaz, immunologiste au Jackson Laboratory, travaillait depuis trois ans sur un comportement inexpliqué des lymphocytes T — ces cellules du système immunitaire adaptif qui jouent un rôle central dans la réponse aux infections, aux cancers et dans les mécanismes d'autoimmunité. Le phénomène en question résistait à l'interprétation malgré des années d'accumulation de données expérimentales. C'est en soumettant ce problème à GPT-5 Pro qu'Unutmaz aurait obtenu un cadre d'explication cohérent, selon le cas publié par OpenAI.

Le détail précis du mécanisme biologique concerné n'est pas entièrement divulgué dans le matériel public disponible, mais le cas s'inscrit dans une trajectoire plus large : l'utilisation des LLM de dernière génération non plus comme simples assistants de rédaction ou de recherche documentaire, mais comme interlocuteurs capables de raisonnement scientifique structuré. GPT-5, lancé en mai 2025, est présenté par OpenAI comme une avancée significative en matière de raisonnement sur des domaines complexes, notamment les sciences de la vie, les mathématiques et le droit.

Ce type d'usage diffère fondamentalement des applications antérieures des LLM en recherche biomédicale. Là où des outils comme BioGPT ou des versions précédentes de GPT-4 servaient surtout à synthétiser de la littérature ou à reformuler des hypothèses existantes, GPT-5 Pro — la version la plus puissante, accessible via ChatGPT à un tarif élevé — semble capable d'opérer une forme de triangulation entre des corpus de connaissances hétérogènes pour proposer des mécanismes explicatifs non évidents. Unutmaz lui-même a qualifié l'interaction de comparable à une session de brainstorming avec un collaborateur possédant une maîtrise encyclopédique de la littérature immunologique.

L'implication potentielle pour la recherche en oncologie est notable. Les lymphocytes T sont au cœur des thérapies par cellules CAR-T et des approches d'immunothérapie ciblées, notamment les inhibiteurs de points de contrôle immunitaire. Comprendre des comportements atypiques de ces cellules — épuisement, anérgie, états hybrides — est directement pertinent pour expliquer pourquoi certains patients répondent aux immunothérapies et d'autres non. Dans le domaine de l'autoimmunité, la dérégulation des lymphocytes T est impliquée dans des pathologies comme la sclérose en plaques, le lupus ou le diabète de type 1.

Ce cas pose néanmoins des questions méthodologiques ouvertes. La reproductibilité du raisonnement produit par un LLM reste un enjeu non résolu : deux sessions distinctes avec le même modèle peuvent produire des conclusions divergentes. La traçabilité des sources sur lesquelles s'appuie le modèle pour formuler une hypothèse est également limitée — GPT-5 ne cite pas systématiquement ses bases de raisonnement avec la rigueur d'une revue systématique. Le risque de "hallucination plausible", c'est-à-dire d'une explication mécanistiquement cohérente mais empiriquement incorrecte, reste réel, même si GPT-5 a démontré des progrès substantiels sur ce point dans les benchmarks spécialisés.

La validation expérimentale reste donc indispensable. Le rôle du modèle, tel qu'il se dessine ici, est celui d'un générateur d'hypothèses à haut débit plutôt que d'un oracle. La valeur ajoutée réside dans la capacité à connecter des observations isolées à des mécanismes connus dans d'autres contextes biologiques — une forme de transfer learning conceptuel que les chercheurs humains effectuent difficilement à grande échelle faute de temps et de capacité à traiter simultanément l'ensemble de la littérature pertinente.

OpenAI utilise ce cas comme argument de démonstration du potentiel de GPT-5 dans les usages "à enjeux élevés", une catégorie qui inclut la recherche médicale, le droit et les sciences fondamentales. C'est aussi un signal dans la compétition entre laboratoires : Anthropic avec Claude, Google avec Gemini et des acteurs spécialisés comme Insitro ou Recursion Pharmaceuticals positionnent également leurs modèles sur le terrain de la découverte biomédicale assistée par IA. Le cas Unutmaz, aussi anecdotique qu'il puisse paraître isolément, s'inscrit dans un mouvement de fond où les LLM commencent à être évalués non plus seulement sur des benchmarks standardisés, mais sur leur capacité à débloquer des problèmes réels restés sans réponse.