L'IA va-t-elle remplacer les généticiens ? Le séquençage est automatisé, mais la science a encore besoin d'un scientifique

En 2003, quand le Projet du génome humain annonçait son achèvement, séquencer le premier génome humain complet avait pris 13 ans et environ 2,7 milliards de dollars. En 2025, un laboratoire clinique peut séquencer un génome humain entier en moins d'une journée pour environ 400 $, et les outils IA peuvent comparer l'exome d'un patient à des bases de données de référence en quelques minutes. Alors, si le travail de laboratoire est automatisé et l'analyse est automatisée, que reste-t-il à faire pour un généticien ? Presque tout ce qui compte vraiment. Les généticiens font face à 51 % d'exposition à l'IA dans nos données — parmi les chiffres les plus élevés que nous suivons — mais seulement 25 % de risque d'automatisation. L'écart entre ces deux chiffres est la chose la plus importante sur cette page. [Fait]

Ce que font vraiment les généticiens — et où se situe la frontière

« Généticien » couvre une large famille de rôles. Il y a des généticiens cliniques qui voient des patients, des généticiens de recherche dans les laboratoires académiques et pharmaceutiques, des généticiens agricoles travaillant sur les cultures et l'élevage, des généticiens légistes dans les laboratoires criminalistiques, et une cohorte croissante de spécialistes en bioinformatique qui vivent dans le chevauchement entre biologie et code. Leurs tâches diffèrent, mais elles partagent une forme commune : de petites portions de la journée sont consacrées au séquençage et aux travaux de pipeline déjà largement automatisés, et de grandes portions à l'interprétation, la conception et le jugement qui ne le sont pas.

Pour un généticien clinique, une semaine typique pourrait inclure l'examen des appels de variants signalés par un pipeline IA, une session avec une famille pour expliquer ce qu'une mutation hétérozygote BRCA1 signifie pour leur fille, la décision sur la conduite à tenir face à un variant de signification incertaine lors d'une grossesse, la participation à un comité de tumeurs, et la rédaction d'une lettre à l'assurance expliquant pourquoi un test particulier est médicalement nécessaire. La première tâche est de plus en plus assistée par IA. Les quatre autres ne le sont pas, et il n'y a pas de trajectoire technologique à court terme qui le permettrait.

Le chiffre d'exposition de 51 %, décomposé

Le chiffre de 51 % d'exposition pour les généticiens semble élevé. C'est, en fait, le chiffre réaliste pour toute spécialité qui a été transformée par des outils computationnels au cours de la dernière décennie. Voici ce qui se trouve de chaque côté.

Tâches à forte exposition (fortement assistées par IA aujourd'hui) :

• Alignement des lectures de séquences sur les génomes de référence
• Appel des SNP, indels et variants structuraux
• Filtrage par rapport aux bases de données de fréquence de population
• Annotation initiale par rapport à ClinVar, OMIM et les bases de données de voies métaboliques
• Certaines formes de recherche bibliographique (« a-t-on publié un cas avec ce variant ? »)

Ces tâches consommaient autrefois de larges portions de la journée de travail d'un généticien. Beaucoup sont maintenant compressées à quelques minutes par des outils comme DeepVariant, AlphaMissense et diverses plateformes de bioinformatique commerciales. C'est le 51 % qui apparaît.

Tâches à faible exposition (fermement humaines) :

• Consultation des patients et recueil des antécédents familiaux
• Communication de résultats incertains à des non-spécialistes
• Revue de la littérature avec un scepticisme approprié sur la conception des études
• Conception de nouvelles expériences
• Rédaction de manuscrits et de demandes de subventions
• Décisions éthiques sur la divulgation des variants
• Comités de tumeurs et discussions de cas multidisciplinaires
• Encadrement des stagiaires

Ce sont les tâches qui ancrent les 75 % du rôle que l'IA n'automatise pas, et ce sont aussi les parties du travail qui deviennent plus importantes à mesure que l'analyse technique s'accélère. Quand on peut séquencer un génome en une journée, le goulot d'étranglement devient « que signifie cela pour ce patient ? » — et cette question est fondamentalement humaine. [Estimation]

Pourquoi l'interprétation ne s'automatise pas

Une lecture naïve des récents articles sur l'IA pourrait suggérer que l'interprétation tombera ensuite. AlphaMissense, publié par Google DeepMind en 2023, a évalué les variants pour une pathogénicité probable à une échelle sans précédent. Les modèles fondamentaux ultérieurs en biologie ont continué à progresser — selon le rapport sur l'IA 2025 du Stanford HAI, la seule année 2024 a vu le lancement de grands modèles de protéines incluant ESM3 et AlphaFold 3, et le Prix Nobel de Chimie a reconnu la contribution de l'IA à la prédiction du repliement des protéines [Fait]. Le même rapport note que l'o1 d'OpenAI a atteint 96,0 % sur le benchmark de connaissances médicales MedQA, un gain de 5,8 points par rapport au meilleur précédent [Fait]. Avec des capacités qui progressent aussi vite, pourquoi la moitié interprétation du travail du généticien ne se ferme-t-elle pas rapidement ?

Trois raisons.

Premièrement, l'interprétation clinique est multimodale d'une façon pour laquelle les modèles ne sont pas encore entraînés. Pour qualifier un variant de cliniquement significatif pour ce patient, un généticien intègre les données génomiques avec les antécédents familiaux, le phénotype clinique, l'imagerie, la réponse aux traitements antérieurs, et parfois des informations qui n'existent que dans les notes de texte libre du dossier. Les modèles peuvent bien tirer d'un ou deux de ces canaux. Intégrer tous reste difficile.

Deuxièmement, les conséquences d'un mauvais appel sont graves, et les institutions qui paient pour les services de génétique se sont organisées autour de la responsabilité humaine. Un généticien qui recommande une mastectomie prophylactique pour un patient basée sur un variant mal interprété est responsable d'une façon qu'un algorithme ne l'est pas. Le système de soins cliniques n'a pas encore trouvé comment allouer la responsabilité pour les recommandations purement algorithmiques en génétique, et jusqu'à ce qu'il le fasse, les généticiens humains restent dans la boucle sur chaque décision conséquente.

Troisièmement, la science elle-même évolue, et les modèles d'IA entraînés sur les connaissances d'hier rateront de façon prévisible les découvertes de demain. Les bases de données de référence (ClinVar, gnomAD, etc.) s'enrichissent, les classifications changent, de nouveaux gènes sont liés à de nouvelles conditions. Les généticiens qui restent à jour évoluent avec la littérature. Les modèles accusent un retard.

Ce qui change dans le travail lui-même

Même si le tableau des effectifs reste stable, le travail quotidien des généticiens se transforme de façons importantes. L'American College of Medical Genetics a documenté ces changements, et quelques schémas se démarquent.

Plus de patients par généticien. Parce que l'analyse de variants de routine est plus rapide, les généticiens individuels peuvent désormais gérer des caseloads plus importants. Cela n'a pas réduit la demande de généticiens — la génétique clinique a souffert d'une pénurie de main-d'œuvre pendant plus d'une décennie, et cette pénurie s'aggrave, si quoi que ce soit, à mesure que les tests deviennent plus largement disponibles. [Affirmation] Les données de main-d'œuvre plus larges étayent cette résilience. Selon le Bureau of Labor Statistics américain (2026), l'emploi des scientifiques médicaux — la catégorie sous laquelle tombent la plupart des généticiens — est projeté à une croissance de 9 % entre 2024 et 2034, bien plus rapide que la moyenne de 3 % pour toutes les professions, avec environ 9 600 ouvertures chaque année et environ 165 300 emplois en 2024 [Fait]. Les biochimistes et biophysiciens, un groupe adjacent, sont projetés à une croissance de 6 % sur la même période [Fait]. Ce ne sont pas les chiffres d'une profession automatisée vers l'extinction. Ce que l'automatisation a changé, c'est la texture du travail : plus de cas, plus de consultations, moins de temps sur chacun.

La spécialisation en bioinformatique croît le plus rapidement. Le segment de la main-d'œuvre en génétique qui croît le plus vite n'est pas le travail de laboratoire classique ou la pratique clinique mais la bioinformatique — les personnes qui construisent, règlent et auditent les pipelines IA que tout le monde utilise. Si vous êtes en début de carrière et choisissez une spécialité, c'est là que se trouvent les rendements composés.

L'interprétation des variants est devenue sa propre spécialité. Il existe maintenant des scientifiques de variants à temps plein dans les grands centres médicaux dont le travail consiste spécifiquement à interpréter les variants de signification incertaine. Il y a cinq ans, ce travail était distribué entre de nombreux rôles. Aujourd'hui, il se concentre dans une spécialité définie avec sa propre voie de formation.

La communication avec les patients est plus importante, non moins. À mesure que les tests génétiques s'étendent à la médecine de routine, plus de patients reçoivent des résultats qu'ils ne comprennent pas. Le rôle du généticien comme traducteur — entre le laboratoire et le patient, entre la littérature et la décision clinique — est devenu plus central, non moins.

Là où vivent les vrais risques

Je ne veux pas laisser l'impression que la génétique est invulnérable à la perturbation par l'IA. Les risques sont réels, et il vaut la peine d'en être honnête.

Le plus concret concerne les rapports cliniques de routine. À mesure que les outils d'interprétation des variants par IA mûrissent, les laboratoires cliniques pourraient avoir besoin de moins de généticiens de rapportage par unité de débit. Cela n'éliminera pas le rôle, mais cela pourrait comprimer les opportunités d'entrée de gamme. Si vous vous formez en génétique de laboratoire clinique, vous devriez être conscient que la niche de rapportage de routine est la plus pressée par l'automatisation.

Un deuxième risque concerne les tests directement aux consommateurs. Des entreprises comme 23andMe et Ancestry opèrent déjà avec très peu de généticiens par million de clients. Le modèle suppose que la plupart des résultats n'ont pas besoin d'examen humain. À mesure que l'interprétation pilotée par IA s'étend à des contextes plus cliniques, ce type de service à volume élevé et faible contact pourrait capturer davantage de ce qui était traditionnellement du travail de généticien.

Un troisième risque est la vélocité de la recherche qui dépasse la traduction clinique. Les modèles fondamentaux produisent des insights biologiques plus rapidement que l'appareil clinique ne peut les valider et les adopter. C'est plutôt une opportunité qu'une menace pour les généticiens qui peuvent faire le pont entre les deux mondes, mais c'est aussi une source de pression sur ceux qui ne s'adaptent pas.

Ce que cela signifie pour votre carrière

Si vous vous formez ou travaillez en génétique, les données et les dynamiques suggèrent un ensemble clair de choix stratégiques.

• Optez pour les rôles cliniques et en contact avec les patients. Les parties du travail qui l'ancrent hors de l'automatisation sont l'interprétation dans l'incertitude, la communication avec les patients et la prise de décision éthique. Si votre travail est riche en ces éléments, votre carrière est en bonne position.
• Développez une maîtrise de la bioinformatique. Vous n'avez pas besoin d'être ingénieur logiciel, mais le généticien qui peut configurer un pipeline, lire de façon critique la sortie d'un modèle et expliquer un faux positif à un clinicien est significativement plus précieux que celui qui traite les outils IA comme une boîte noire.
• Spécialisez-vous dans les variants de signification incertaine. C'est là que vit la science et où l'IA peine le plus. C'est l'expertise durable.
• Orientez-vous vers le leadership dans la conception de la recherche. L'IA accélère l'exécution ; elle ne génère pas les bonnes questions de recherche. Les généticiens qui façonnent ce qui est étudié ont la trajectoire la plus longue.
• Si vous êtes dans le pur rapportage, élargissez. Ajoutez des dimensions cliniques, éducatives ou de recherche à votre rôle. Le rapportage pur de variants est le coin le plus automatisable du domaine.

L'histoire de la génétique au cours des vingt dernières années n'est pas une histoire d'automatisation remplaçant les généticiens. C'est une histoire d'automatisation transformant ce que les généticiens font — les déplaçant de la paillasse au chevet, du fichier d'alignement à la salle d'interprétation, du routinier au conséquent. L'IA est le chapitre le plus récent et le plus puissant de cette transformation. Bien utilisée, elle rend les généticiens plus impactants, non moins essentiels.

Pour la décomposition au niveau des tâches, consultez la page de la profession de généticien. Pour les rôles connexes dans le secteur des sciences, notre page de catégorie sciences suit comment l'exposition à l'IA évolue dans l'ensemble du domaine.

Historique des mises à jour

• 2026-05-22 : Ajout de citations de sources primaires du Bureau of Labor Statistics américain (2026) et du rapport sur l'IA 2025 du Stanford HAI.
• 2026-05-16 : Analyse étendue avec le cadre d'interprétation multimodale, trois raisons structurelles pour lesquelles l'interprétation ne s'automatise pas, et décomposition des risques. Ajout de conseils de carrière.
• 2025-09-12 : Publication initiale.

_Cet article a été préparé avec l'assistance de l'IA et revu par l'équipe éditoriale. Trajectoires de coût génomique du NHGRI ; tendances de la main-d'œuvre de l'American College of Medical Genetics ; projections d'emploi du Bureau of Labor Statistics américain (2026) ; benchmarks de capacités IA du rapport sur l'IA 2025 du Stanford HAI._