# Google trie 66 biomarqueurs grâce à ses agents IA > Google présente un système multi-agents qui a priorisé 66 biomarqueurs candidats à partir de 9 279 observations issues de trois cohortes. Type : Actualité IA · Catégorie : Outils · Publié le 2026-08-25 · Signal IA - Order & Chaos · Secteur : Santé Source : https://www.orderchaos.eu/signal-ia/actu/google-priorise-66-biomarqueurs-avec-des-capteurs-portables Tags : ia, santé, biomarqueurs, objets connectés, recherche, agents-ia, raisonnement --- ## En résumé - Google Research présente un système multi-agents supervisé par des chercheurs humains. - Le système a analysé 9 279 observations issues de trois cohortes de santé. - Les résultats restent des hypothèses biologiques et ne constituent pas des preuves causales. **Le signal :** Le Biomarker Discovery Framework a identifié 41 biomarqueurs numériques en santé mentale et 25 pour les maladies métaboliques. **Google Research présente** le Biomarker Discovery Framework, un système multi-agents conçu pour prioriser des [biomarqueurs](/signal-ia/actu/google-priorise-66-biomarqueurs-avec-des-capteurs-portables) candidats issus de capteurs portables. L’annonce a été publiée le 21 août 2026 par Yubin Kim, chercheur étudiant. Le dispositif combine génération d’hypothèses, analyses statistiques, entraînement de modèles, validation contradictoire et raisonnement fondé sur la littérature. Il fonctionne sous supervision humaine. Google Research l’a appliqué à trois cohortes totalisant 9 279 observations de participants. Ces données couvrent la santé mentale et les maladies métaboliques. Le système a identifié 41 biomarqueurs numériques pour la santé mentale et 25 pour les résultats métaboliques. Ces éléments servent à prioriser des associations candidates, pas à établir des diagnostics. **Les données portables** enregistrent en continu des signaux physiologiques à l’échelle de populations. Les flux étudiés peuvent inclure la dynamique cardiaque et les habitudes de sommeil. Selon Google Research, le principal obstacle réside désormais dans la transformation de ces signaux en biomarqueurs fiables et cliniquement utiles. Les systèmes fondés sur des agents et des modèles de langage peuvent automatiser certaines étapes, mais ils risquent de privilégier la performance prédictive. Cette approche peut négliger la validité statistique, les corrélations artificielles et les fuites de données. Le nouveau cadre sépare donc le calcul déterministe du raisonnement génératif. Il conserve aussi une supervision humaine et une traçabilité structurée. ## Google structure six phases de recherche **Le système orchestre** six phases qui reproduisent le cycle de priorisation des biomarqueurs. Un agent Orchestrator transforme une consigne formulée en langage naturel en plan d’exécution. Des agents Scout décrivent le schéma, les données manquantes, la structure temporelle et le critère clinique. Les agents Literature et Hypotheses vérifient les travaux antérieurs avant de proposer des caractéristiques physiologiquement plausibles. Les agents Statistical et ML construisent ensuite les variables, estiment les associations et corrigent les comparaisons multiples. Un agent Critic [recherche](/signal-ia/actu/anthropic-revele-huit-fois-plus-de-code-fusionne-en-2026) les hypothèses fragiles. Les agents Critic et Defender testent enfin les fuites, le surapprentissage, les facteurs de confusion, l’instabilité et l’absence de plausibilité physiologique. **Onze contrôles internes** attribuent à chaque candidat un libellé explicite. Les catégories incluent notamment screened, conditional, exploratory, rejected et unstable. Le dispositif comprend aussi des agents Mechanism, Novelty et Strategy. Ils évaluent la plausibilité biologique, la littérature existante et la pertinence translationnelle potentielle. Google Research précise que ces analyses présentent des hypothèses fondées sur la littérature. Elles ne transforment pas une association en preuve de causalité. Les agents Report vérifient les affirmations numériques avec une fiche factuelle. Ils assemblent ensuite analyses, figures, références et limites dans un document destiné à une revue experte. La méthode complète est décrite dans le [billet de Google Research](https://research.google/blog/an-ai-tool-for-prioritizing-candidate-biomarkers-from-wearable-sensor-data/). ## Trois cohortes produisent 66 candidats **Les résultats distinguent** deux domaines de santé et trois cohortes. Pour la dépression, l’analyse DWB a relié la variabilité de la durée du sommeil à la sévérité PHQ-8. La corrélation de Spearman atteignait ρ = 0,252, avec p < 0,001. Dans GLOBEM, la variabilité de l’heure d’endormissement présentait une association exploratoire de faible intensité avec PHQ-4. La valeur rapportée était ρ = 0,126, avec p < 0,001 et une aire sous la courbe en validation croisée de 0,535. Google Research parle d’une convergence suggérée au niveau du construit circadien. Les deux cohortes n’ont pas répliqué un candidat identique. **Le domaine métabolique** a produit un indice de condition cardiovasculaire. Celui-ci correspond au nombre de pas divisé par la fréquence cardiaque au repos. Le système l’a identifié comme corrélat non invasif de la résistance à l’insuline. Google Research indique que cette interprétation s’appuie sur des travaux antérieurs concernant la régulation du glucose et la condition cardiométabolique. L’ajout des caractéristiques issues du cadre aux variables démographiques a amélioré la performance prédictive. L’écart de R² atteignait 0,040 pour la dépression et 0,021 pour la résistance à l’insuline. Les résultats détaillés sont disponibles dans le [prépublication associée](https://arxiv.org/abs/2604.14615). Les effets restent d’ampleur modeste. **L’évaluation humaine** a réuni 15 experts en [médecine](/signal-ia/actu/chine-un-hopital-ia-traite-3-000-patients-par-jour), science des données biomédicales, apprentissage automatique, bio-informatique et santé numérique. Ils ont comparé des rapports produits par le Biomarker Discovery Framework, AI co-scientist de Google DeepMind, Biomni et Data Science Agent de Google ADK. Le cadre a obtenu les meilleures moyennes sur les sept dimensions de qualité évaluées. Il a reçu deux recommandations Accept, huit Minor Revision, huit Major Revision et trois Reject dans la simulation éditoriale. Les experts estimaient conserver en moyenne 56,9 % de son contenu. Les systèmes de référence obtenaient des taux compris entre 18,8 % et 30,4 %. L’outil a été classé premier dans neuf des treize sessions à quatre systèmes.