ChatTogoVar : un système de génération augmentée par récupération basé sur TogoVar pour une interprétation précise des variants génomiques

Pourquoi des réponses génétiques plus intelligentes comptent

Les tests génétiques font de plus en plus partie des soins courants, mais les résultats bruts restent difficiles à interpréter. Médecins et chercheurs doivent déterminer si une petite modification de l’ADN est fréquente et bénigne ou rare et associée à une maladie. Les grands modèles de langage, le même type d’IA qui alimente les chatbots populaires, peuvent expliquer des informations complexes en langage clair, mais ils donnent parfois des réponses trop assurées et incorrectes. Cette étude présente ChatTogoVar, un système qui connecte un chatbot IA à une base de données génétique japonaise de confiance afin de fournir des réponses sur les changements de l’ADN humain plus claires et mieux étayées.

Du code ADN brut à des réponses utiles

Lorsqu’une personne se fait analyser le génome, le résultat est une longue liste de petites différences d’ADN appelées variants. Pris isolément, ces codes en disent peu sur la santé. Les spécialistes s’appuient sur des bases de données qui suivent la fréquence d’apparition de chaque variant selon les populations, les gènes concernés et les liens éventuels avec des maladies. La base TogoVar se concentre sur les variants observés chez la population japonaise et agrège des informations issues de grandes études et de ressources cliniques. ChatTogoVar s’appuie sur cette fondation en jouant le rôle d’une couche conversationnelle capable de répondre à des questions en langage naturel, par exemple pour savoir si un variant particulier est lié à une maladie ou quelle est sa fréquence dans certains groupes.

Comment fonctionne le nouveau système

ChatTogoVar suit une approche de génération augmentée par récupération. Lorsqu’un utilisateur pose une question sur un variant précis, le système détecte d’abord son identifiant et interroge l’interface de programmation de TogoVar. TogoVar renvoie des données structurées décrivant le variant, incluant sa position dans le génome, le gène affecté, les fréquences observées dans la population japonaise et d’autres populations, l’impact prédit sur la protéine et les interprétations cliniques connues provenant de sources telles que ClinVar. ChatTogoVar intègre ensuite ces informations dans un prompt soigneusement conçu et l’envoie au modèle de langage sous-jacent, qui rédige une réponse lisible devant citer les preuves issues de la base de données utilisées et indiquer lorsqu’aucune donnée n’est disponible.

Mise à l’épreuve du système

Les auteurs ont comparé ChatTogoVar avec un chatbot généraliste et avec un assistant spécialisé dans les variants existant appelé VarChat. Ils ont construit 50 types de questions couvrant des faits de base, les fréquences dans les populations, les liens avec des maladies, la réponse aux médicaments, l’impact fonctionnel, l’évolution, les variants apparentés et les outils disponibles, puis les ont combinés avec 30 variants réels, créant 1500 paires question–variant. Des experts humains ont noté manuellement les réponses des trois systèmes sur un sous-ensemble de 150 questions, évaluant précision, exhaustivité, logique, clarté et usage des preuves. Une évaluation à plus grande échelle a utilisé une méthode de notation basée sur l’IA sur l’ensemble des 1500 questions pour mesurer les performances de manière cohérente sur de nombreux variants et thèmes.

Ce que les comparaisons ont révélé

Sur presque toutes les questions et catégories de notation, ChatTogoVar a dépassé à la fois le chatbot généraliste et VarChat. Dans l’examen expert, il a fourni la meilleure réponse pour 90 % des questions, tandis que le chatbot généraliste n’arrivait en tête que pour quelques cas. Un exemple révélateur concernait un variant véritablement lié à la maladie de Parkinson. ChatTogoVar a correctement identifié le gène et la maladie et a indiqué le dossier clinique pertinent, alors que le chatbot généraliste a confondu le variant avec un autre gène et a mentionné une mauvaise affection. L’évaluation automatisée à grande échelle, couvrant dix fois plus de questions, a montré le même schéma : ancrer les réponses dans des enregistrements de bases de données actuels réduit nettement ce type de confusion et d’affirmations non étayées.

Des pas vers des conseils génomiques plus sûrs

Ce travail montre qu’associer une IA conversationnelle à une base de données génétique ciselée peut rendre les explications de variants plus précises et mieux documentées. ChatTogoVar ne remplace pas le jugement d’experts et reste limité par la couverture des bases de données qu’il utilise, notamment pour des domaines comme la réponse aux médicaments et les schémas de variants complexes. Toutefois, en mettant en lumière ce qui est connu, ce qui est incertain et d’où proviennent les données de support, il offre un point de départ plus fiable pour les médecins, conseillers en génétique et chercheurs qui doivent interpréter les résultats des tests génomiques au quotidien.

Citation: Mitsuhashi, N., Fujiwara, T. & Yamaguchi, A. ChatTogoVar: a TogoVar-based retrieval-augmented generation system for precise genomic variant interpretation. Hum Genome Var 13, 12 (2026). https://doi.org/10.1038/s41439-026-00344-4

Mots-clés: variants génomiques, génération augmentée par récupération, TogoVar, grands modèles de langage, médecine génomique