Qu'est-ce qu'Omnii-1 ? Le modèle de langage génomique derrière les premiers phages conçus par IA

Le 20 octobre 2026, le laboratoire d'IA Radical Numerics a présenté Omnii-1, qu'il qualifie de modèle de langage génomique multimodal le plus avancé au monde. L'affirmation principale est frappante : des phages conçus par le modèle ont été administrés à un patient humain souffrant d'une infection résistante aux antibiotiques. Ce guide explique ce qu'est réellement Omnii-1, ce que fait un modèle de langage génomique, ses huit applications, et les mises en garde que les titres passent sous silence.

Qu'est-ce qu'Omnii-1 ?

Omnii-1 est un modèle de langage génomique : la même technologie transformer qui sous-tend les grands modèles de langage, mais entraîné sur des données biologiques plutôt que sur du texte humain. Au lieu de prédire le mot suivant, il apprend les schémas présents dans l'ADN, l'ARN, les protéines et les signaux moléculaires associés.

Radical Numerics indique qu'Omnii-1 a été pré-entraîné nativement sur 28 modalités biologiques — couvrant l'ADN, l'ARN, les protéines, l'accessibilité de la chromatine, la liaison des facteurs de transcription, les modifications des histones, la méthylation de l'ADN, l'épissage et l'expression génique, conditionnés par le type cellulaire et le tissu (Radical Numerics). Après un entraînement sur des billions de tokens de données génétiques et multiomiques, le modèle apprend une représentation partagée unique qu'il peut adapter à de nombreux problèmes biologiques différents.

La société a été fondée par des membres de l'équipe à l'origine d'Evo et Evo 2, des modèles génomiques antérieurs utilisés pour concevoir les premiers génomes de bactériophages créés entièrement par IA (Business Wire via FinancialContent).

Pourquoi un modèle « généraliste » est important

Pendant des années, l'IA biologique a été construite problème par problème : des modèles séparés pour les protéines, la régulation génique, les maladies génétiques et la conception moléculaire. Radical Numerics soutient que cela est en train de changer — qu'un seul modèle polyvalent peut désormais surpasser les modèles spécialisés sur les tâches pour lesquelles ces modèles ont été conçus, faisant écho à la façon dont les LLM généralistes ont supplanté les systèmes NLP (traitement du langage naturel) spécialisés.

Le génome constitue l'ancrage naturel pour cela. Il sert à la fois de référence commune pour la biologie moléculaire et de registre façonné par des milliards d'années d'évolution, de sorte qu'un modèle ancré dans l'ADN peut relier de nombreux signaux en aval.

Les huit applications

Radical Numerics a lancé Omnii-1 avec huit applications, chacune partant du même modèle de base et adaptée par un entraînement intermédiaire ou post-entraînement. Quelques-uns des résultats rapportés :

• Omnii Genome. Établit un nouvel état de l'art sur les benchmarks de régulation et d'effet des variants, devançant des modèles spécialisés tels qu'AlphaGenome et Borzoi, selon la société.
• Omnii Phage. Conception dirigée de phages pour les infections résistantes aux antibiotiques (voir ci-dessous). Sur des souches d'E. coli retenues aléatoirement, ses deux meilleures recommandations incluaient un phage biologiquement actif pour 92,1 % des souches éligibles.
• Omnii Genetics. A classé un variant fonctionnel parmi ses quatre premières sélections dans 90 % des ensembles crédibles GWAS évalués, et a proposé des mécanismes pour 153 signaux de la maladie de Parkinson.
• Omnii Diagnostics. A prédit un biomarqueur cancéreux sanguin (5hmC acellulaire) qu'il n'avait jamais vu lors du pré-entraînement, atteignant une corrélation de Pearson de 0,854 sur les effets des variants dans la cohorte évaluée.
• Omnii Defense. A augmenté le rappel des protéines liées à la pathogénicité de 78,6 % à 95,8 % lorsqu'il a été ajouté à un pipeline de criblage conventionnel.
• Omnii Rare Earths, Omnii Antibody et Omnii Cancer Vaccine complètent l'ensemble, couvrant la conception de protéines pour la séparation des métaux, la conception d'anticorps et la sélection de cibles vaccinales.

Tous les chiffres sont ceux de Radical Numerics, rapportés dans son article de lancement et non encore reproduits de manière indépendante.

Le jalon des phages — et ses mises en garde

Le résultat qui fait les manchettes est le cas des phages. Les phages sont des virus qui infectent les bactéries, et la phagothérapie est une option prometteuse lorsque les antibiotiques échouent — mais trouver un phage qui cible l'infection spécifique d'un patient est lent et aléatoire.

Radical Numerics a entraîné Omnii-1 à concevoir des phages viables, à prioriser les variants et à prédire quels phages correspondent à quelles souches bactériennes. Dans ce qu'elle appelle la première utilisation clinique mondiale de phages conçus par IA, les conceptions d'Omnii-1 ont été administrées à un patient souffrant d'une infection bactérienne résistante aux antibiotiques dans le cadre d'un protocole d'usage compassionnel autorisé, dirigé par un médecin (compte rendu Omnii Phage). Lors des tests en laboratoire, un cocktail contenant les variants conçus a éliminé l'isolat résistant du patient in vitro avant l'administration.

Voici ce qu'il faut garder à l'esprit :

• Il s'agit d'un seul patient. Radical Numerics indique ne pas pouvoir divulguer l'évolution clinique ou le résultat du patient, invoquant la confidentialité — il n'y a donc aucun résultat rapporté à évaluer.
• C'est expérimental. L'usage compassionnel permet aux patients de recevoir des thérapies en dehors des essais cliniques lorsqu'aucune option approuvée n'existe ; ce n'est pas une approbation réglementaire, et la société note que les observations d'un seul patient ne peuvent pas établir la sécurité ou l'efficacité générale.
• Non évalué par les pairs. Le rapport de la société n'a pas été évalué par les pairs ni publié dans une revue scientifique, et ses comparaisons de benchmarks avec AlphaGenome, Borzoi et d'autres sont auto-déclarées, en attente d'une réplication indépendante (NYT via GV Wire).

Le reportage de Carl Zimmer pour The New York Times a noté que la société avait déclaré que l'essai avait été autorisé par la FDA — soulignant qu'il s'agit d'une vraie nouvelle, mais d'une nouvelle sur une première étape, et non d'un traitement éprouvé.

Comment un modèle de langage génomique est utilisé en pratique

Omnii-1 peut être sollicité un peu comme un LLM, mais pour la biologie : reconstruire une mesure manquante, évaluer comment un variant génétique modifie une fonction, ou générer de l'ADN avec un profil souhaité. De manière cruciale, le même ADN peut donner des prédictions différentes selon le contexte cellulaire ou tissulaire fourni — ce qui se rapproche davantage du fonctionnement réel de la biologie.

Pour la conception de phages en particulier, le modèle modifie des régions sélectionnées d'un génome existant (comme la fibre de queue de liaison au récepteur) tout en tenant compte de la séquence environnante, de sorte qu'il peut modifier le ciblage de l'hôte sans briser le mécanisme dont le phage a besoin pour se répliquer.

Pourquoi cela importe pour les développeurs IA

Omnii-1 est un exemple de domaine d'un schéma plus large : un modèle général, de nombreux flux de travail spécialisés, chacun connecté avec ses propres données et sa propre boucle d'évaluation. Que vous travailliez en biologie, en finance ou en logiciel, la partie difficile est rarement le modèle — c'est l'orchestration de la recherche, des sources et des vérifications qui l'entourent.

Si vous souhaitez lire des lancements comme celui-ci de manière critique, consultez nos explications sur Periodic Neon, une IA entraînée en laboratoire pour la science et le modèle Jev de TypeSafe AI.

Exécutez votre propre flux de travail de recherche avec une équipe IA

Décortiquer un lancement dense comme Omnii-1 — rassembler les sources primaires, vérifier les affirmations sur les benchmarks et séparer le résultat du battage médiatique — est exactement le type de recherche en plusieurs étapes qu'une équipe d'agents IA peut gérer. Eigent est une application de bureau open source « Cowork » où une équipe d'agents lit les sources, compare les affirmations et rédige le résumé localement, avec votre approbation à chaque étape. Dirigez-les vers un flux de travail d'analyse concurrentielle ou téléchargez Eigent et construisez votre propre bureau de recherche.