Que devrait apprendre une équipe de recherche d’un résultat négatif ?

Une équipe de recherche pharmaceutique fictive rencontre un problème familier sous une forme nouvelle. Son système d’IA a proposé de nombreuses explications plausibles à un signal expérimental. Le laboratoire ne peut en étudier que quelques-unes ce mois-ci. Choisir les candidats les plus susceptibles de produire un autre résultat positif ferait avancer le programme. L’incertitude initiale pourrait pourtant rester presque entière : pourquoi ce signal est-il apparu ?

Je donnerais donc un second objectif à la prochaine réunion de sélection. À côté de la recherche de candidats prometteurs, il faudrait réserver des capacités aux expériences permettant de départager les explications. Leur contribution pourrait être un résultat décevant pour le programme. La question utile serait de savoir si l’équipe peut expliquer ce qu’il exclut, ce qui reste possible et ce qui n’a jamais été suffisamment testé.

Quand les idées dépassent notre capacité à les comprendre

Dans son entretien avec Big Think publié le 3 septembre 2026, Terence Tao évoque l’écart entre production scientifique et compréhension. Sa perspective mathématique a inspiré cette question d’organisation. L’entretien n’évalue pas empiriquement la recherche pharmaceutique. [1]

Pour la direction de la recherche, j’en tirerais une distinction pratique. Une expérience peut rechercher un candidat plus performant, examiner une explication ou vérifier la fiabilité d’une mesure. Ces objectifs peuvent se recouper. Ils peuvent aussi conduire à des choix différents. L’équipe doit savoir lequel justifie les capacités limitées attribuées à chaque investigation.

Cet article propose une manière d’organiser cette discussion. L’exemple est fictif, la démarche n’a pas été évaluée et les études ci-dessous concernent la chimie des matériaux. Elles illustrent, dans un cadre délimité, l’apprentissage par l’expérimentation. Les décisions relatives aux méthodes biologiques, à la recherche sur des patients ou au développement réglementé restent du ressort des spécialistes et des procédures d’examen établies.

Choisir une observation qui départage les explications

Supposons que l’équipe fictive envisage deux explications à son signal : l’interaction biologique recherchée ou un effet lié au procédé de mesure. Répéter la même mesure avec un candidat similaire pourrait produire le signal attendu dans les deux cas. Ce résultat serait bienvenu, mais sa capacité à départager les explications serait limitée.

Je demanderais aux scientifiques de décrire une observation pour laquelle les explications prédisent des résultats différents. Que prévoit chacune ? Quelle mesure pourrait les distinguer avec une précision suffisante ? Une mesure manquée pourrait-elle laisser la question ouverte ? La technique appropriée dépend du contexte scientifique. Un responsable peut demander un raisonnement intelligible sans prescrire lui-même un essai ni en interpréter seul les résultats.

Le candidat le plus instructif peut donc figurer assez bas dans un classement produit par l’IA. Il peut révéler un désaccord entre explications ou explorer une condition peu représentée dans les données disponibles. Cela constitue une raison précise de l’étudier. Sa nouveauté, une formulation inhabituelle ou un score d’incertitude élevé ne suffiraient pas à établir cette valeur informative.

Reconnaître la limite de l’optimisation actuelle

L’étude d’Angello et de ses collègues, publiée en 2024, a complété l’optimisation de la photostabilité moléculaire par des tests d’hypothèse : deux groupes de sept molécules prédits à forte et faible photostabilité, puis des interventions sur le solvant. Les résultats étayaient un mécanisme de photodégradation proposé. Elle concernait des molécules absorbant la lumière en solution, avec une forte contribution humaine, sans évaluer le développement pharmaceutique. [2]

J’en déduis qu’un programme de recherche devrait pouvoir modifier explicitement la nature du travail qu’il commande. Lorsque des sélections répétées n’apportent guère d’amélioration, l’équipe devrait examiner son explication de cette limite. Poursuivre la même recherche peut rester justifié. Une autre question expérimentale peut aussi devenir plus utile qu’un progrès supplémentaire dans le cadre des hypothèses actuelles.

Je rendrais ce choix visible dans la discussion sur les capacités disponibles. Quelles investigations recherchent une meilleure performance, lesquelles départagent des explications, lesquelles établissent la fiabilité de la mesure ? Aucune répartition universelle ne convient. Les scientifiques responsables devraient expliquer l’équilibre proposé, y compris les conséquences du maintien d’une incertitude importante. Une investigation apparemment modeste devient alors plus facile à défendre face à un candidat particulièrement impressionnant.

Donner un sens précis à un résultat peu prometteur

Avant le début d’une investigation, je conviendrais de la manière de classer son résultat. Un test achevé et interprétable qui ne montre pas l’effet prédit diffère d’un test dont les contrôles ont échoué, d’un échantillon impossible à préparer et d’une mesure jamais entreprise. Ces distinctions doivent subsister dans les résumés ultérieurs de l’IA et dans les données préparées pour une analyse.

Un résultat négatif reste lié aux conditions du test. Le compte rendu devrait préciser le domaine examiné, les conditions, la sensibilité de la mesure et l’incertitude de l’estimation. Un effet faible et imprécis peut laisser plusieurs explications ouvertes. Le présenter comme une réfutation définitive pourrait écarter une hypothèse utile sans justification suffisante.

L’inverse compte également. Un résultat non concluant ne devrait pas devenir discrètement un élément favorable au seul motif que sa direction paraît encourageante. Je conserverais l’interprétation à côté de l’observation, en nommant la personne qui en répond. Si les spécialistes divergent, leurs lectures respectives et les éléments nécessaires pour trancher restent visibles. Une simple étiquette de réussite ou d’échec ne peut porter ce raisonnement.

Rendre cet apprentissage disponible pour la sélection suivante

L’étude de Raccuglia et de ses collègues, publiée en 2016, utilisait 3 955 comptes rendus complets de réactions, dont des synthèses infructueuses, pour développer un modèle. De nouvelles expériences sur des sélénites de vanadium comparaient ses recommandations à une heuristique chimique prédéfinie. Cette étude de cristallisation circonscrite illustre des données d’échec réutilisables, sans isoler leur contribution ni établir une performance pharmaceutique. [3]

Pour l’équipe fictive, je conserverais un compte rendu concis reliant l’hypothèse initiale, la raison du choix de l’expérience, l’observation et son interprétation qualifiée. Il comprendrait la version pertinente de la méthode, l’identité du matériau, l’évaluation de qualité ainsi que les exclusions ou écarts. Un collègue devrait pouvoir comprendre pourquoi le résultat est instructif avant de s’en servir pour choisir une autre expérience.

L’observation initiale devrait rester accessible si son interprétation change. Une explication ultérieure peut rendre un ancien résultat nouvellement utile. Écraser l’évaluation précédente masquerait ce que l’équipe savait lors de son choix antérieur. Un ajout peut conserver le raisonnement initial et la nouvelle interprétation, avec leurs dates et leurs auteurs responsables.

Le partage de ces comptes rendus exige aussi un périmètre convenu. Un partenaire peut recevoir une description exploitable des conditions et des limites sans accéder à tous les documents confidentiels. Dans l’environnement de recherche autorisé, la question essentielle est de savoir si l’équipe destinataire peut interpréter le résultat. Une accumulation d’étiquettes négatives inexpliquées transmettrait peu des connaissances qui justifiaient leur conservation.

Reconnaître la valeur d’une incertitude clarifiée

Lors de la prochaine revue du programme, je demanderais un exemple d’expérience ayant changé l’explication de l’équipe sans produire de candidat attractif. J’examinerais ensuite l’influence de cet apprentissage sur la sélection ultérieure. A-t-il éliminé une hypothèse, révélé un problème de mesure ou identifié une condition à étudier ? Une présentation claire peut justifier ce travail même si elle contient moins de résultats positifs.

Comme médecin et fondateur, j’y vois une question sur la contribution qu’une organisation attend de sa capacité de recherche. Les idées produites par l’IA peuvent élargir ses choix. Les scientifiques ont toujours besoin de temps pour concevoir des tests révélateurs, interpréter des observations difficiles et laisser une trace exploitable. Investir dans cette capacité améliore les conditions pour que la prochaine expérience apporte des connaissances sur lesquelles d’autres pourront s’appuyer.