LE BIOCOMPUTING : ARCHITECTURE, ENJEUX

ET PERSPECTIVES D’ÉVOLUTION
Borges Moutoundou et Honhel Ndala

Année académique : 2024-2025

Professeur : Emir Kokten
24 juillet 2025
Table des matières
1 Introduction 3

2 Architecture matérielle des systèmes biocomputers 3

2.1 Processeurs biologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 DNA Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2 Neuro-computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Mémoire biologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Connectivité et réseaux biologiques . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4 Support physique et contrôle environnemental . . . . . . . . . . . . . . . . . . . . 6

3 Composants logiciels des systèmes biocomputers 7

3.1 Systèmes d’exploitation bio-inspirés et gestion du "logiciel" biologique . . . . . . 7
3.2 Sécurité et fiabilité des systèmes biologiques : une approche bio-inspirée . . . . . 8

4 Comparaison et mise en perspective avec les architectures informatiques clas-

siques 8
4.1 Du modèle de Von Neumann au parallélisme biologique . . . . . . . . . . . . . . . 9
4.2 Logique numérique vs. calcul analogique biologique . . . . . . . . . . . . . . . . . 9
4.3 Jeu d’instructions et "programmation" biologique . . . . . . . . . . . . . . . . . . 9
4.4 Tableau comparatif synthétique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.5 Avantages et limites critiques du Biocomputing . . . . . . . . . . . . . . . . . . . 11

5 Enjeux éthiques et financiers 12

5.1 Enjeux éthiques : la manipulation du vivant . . . . . . . . . . . . . . . . . . . . . 12
5.2 Enjeux financiers : coûts et potentiel de marché . . . . . . . . . . . . . . . . . . . 12

6 Applications fonctionnelles et exemples concrets 13

7 Perspectives d’évolution et l’écosystème informatique futur 14

8 Conclusion 15

2
1 Introduction
L’informatique, telle que définie dans nos cours 1 , est la science du traitement automatique
de l’information par des systèmes programmables. Si historiquement ces systèmes reposent sur
l’électronique et le silicium, le domaine du biocomputing, ou informatique biologique, propose
une rupture paradigmatique en exploitant des composants biologiques pour effectuer des
opérations de calcul. L’essence de cette discipline ne réside pas seulement dans la reproduction
des capacités des ordinateurs classiques, mais dans une réinvention de la logique de traitement
de l’information, en s’inspirant directement des processus sophistiqués du vivant.
Ce rapport se propose d’explorer les fondements matériels et logiciels du biocomputing, en
les analysant à travers le prisme des concepts fondamentaux de l’architecture des ordinateurs que
nous avons étudiés (notamment le modèle de Von Neumann, les principes des processeurs et des
mémoires, et les jeux d’instructions). Nous mettrons en lumière les parallèles et les contrastes avec
ces architectures traditionnelles, les enjeux éthiques et financiers inhérents à cette technologie,
ses applications fonctionnelles concrètes, et ses perspectives d’évolution. L’objectif est d’exprimer
une réflexion critique sur le potentiel du biocomputing à transformer le paysage informatique
de demain, en tirant parti des leçons de l’évolution biologique pour surmonter les limites du
silicium.

2 Architecture matérielle des systèmes biocomputers

L’architecture matérielle des biocomputers, à l’instar de tout système informatique 2 , se com-
pose d’éléments équivalents aux processeurs, mémoires, et systèmes d’interconnexion. Cepen-
dant, leur nature est radicalement biologique, offrant des approches inédites.

2.1 Processeurs biologiques

Si le processeur est le "cerveau" de l’ordinateur numérique, responsable de l’exécution et du
calcul des instructions1 , dans le biocomputing, cette fonction est dévolue à des entités molécu-
laires ou cellulaires.

2.1.1 DNA Computing

Le DNA computing, introduit par Leonard Adleman en 1994, exploite les propriétés d’en-
codage et d’hybridation de l’ADN. Plutôt que de manipuler des bits binaires, il opère sur des
brins d’ADN qui encodent des informations sous forme de séquences de nucléotides (A, T, C,
G). La résolution de problèmes combinatoires, comme le célèbre problème du voyageur de com-
merce, est réalisée par des milliards de réactions d’hybridation et de séparation se produisant
simultanément dans une éprouvette 3 .
Analyse critique : Contrairement à l’exécution séquentielle des instructions dans un
CPU traditionnel (composée d’étapes comme le chargement, le décodage et l’exécution) 4 ,
le DNA computing met en œuvre un parallélisme massif et intrinsèque. Chaque brin
d’ADN peut être considéré comme une "unité de traitement" indépendante, explorant
simultanément des millions, voire des milliards, de solutions potentielles. Cette approche
est diamétralement opposée à l’architecture de Von Neumann, où le goulot d’étranglement
1. KOKTEN Emir Turay. Cours 1 : Architecture des ordinateurs. Présentation PowerPoint. Année académique
2024-2025.
2. Magalhães de Oliveira, F. & von Zuben, F. J. (2023). A Survey on Bio-Inspired Computing : From Algo-
rithms to Architectures. Electronics, 12 (7), 1642.
3. Adleman, L. M. (1994). Molecular computation of solutions to combinatorial problems. Science, 266 (5187),
1021-1024.
4. KOKTEN Emir Turay. Cours 2 : Architecture des ordinateurs. Présentation PowerPoint. Année académique
2024-2025.

3
 réside souvent dans le transfert séquentiel des données entre le processeur et la mémoire
via le bus système 5 . Le DNA computing offre une voie pour des calculs combinatoires où
la simultanéité des opérations prime sur la vitesse individuelle.

Figure 1 – Encodage ADN.

2.1.2 Neuro-computing
Une autre approche prometteuse est le neuro-computing, qui utilise des neurones vivants
en culture. Des plateformes comme celle développée par FinalSpark, une entreprise suisse
fondée en 2014, permettent déjà d’effectuer des tâches cognitives simples en tirant parti de la
signalisation neuronale 6 .
Analyse critique : Le neurone est l’équivalent biologique des portes logiques ou des
transistors de nos ordinateurs, mais avec une complexité et une capacité d’apprentissage
bien supérieures. Tandis que les portes logiques manipulent des signaux numériques (0 ou
1)3 , les neurones traitent des informations de manière plus analogique, via des potentiels
électriques et des neurotransmetteurs. L’efficacité énergétique est un avantage frappant :
un cerveau humain, avec ses 86 milliards de neurones, ne consomme qu’environ 20 watts 7 ,
une consommation dérisoire comparée à la puissance requise par les supercalculateurs
électroniques équivalents. Cette efficacité résulte de millions d’années d’optimisation évo-
lutive, et représente une réponse au défi de la consommation énergétique des processeurs
traditionnels.

2.2 Mémoire biologique

La mémoire, élément fondamental de toute architecture informatique permettant le stockage
des programmes et des données1 , trouve son équivalent biologique le plus performant dans l’ADN.
Capacité et densité inégalées : L’ADN est capable de stocker d’énormes vo-
lumes d’information à l’échelle nanométrique, une caractéristique cruciale face aux
limites de miniaturisation des supports actuels. On estime qu’un gramme d’ADN pour-
rait potentiellement stocker jusqu’à 455 exaoctets (soit 455 milliards de gigaoctets) 8 , une
densité de stockage des millions de fois supérieure à celle des supports numériques ac-
tuels. L’ADN agit comme une sorte de "ROM" (Read-Only Memory) extrêmement dense
et durable, idéale pour l’archivage à long terme. Mémoire dynamique et adap-
tative : Au-delà de l’ADN, les réseaux neuronaux manifestent des formes de "mémoire
vive" (RAM) grâce à la plasticité synaptique. Ce mécanisme de renforcement ou d’af-
faiblissement des connexions neuronales permet de stocker des informations de manière
5. KOKTEN Emir Turay. Cours 1 : Architecture des ordinateurs. Présentation PowerPoint. Année académique
2024-2025.
6. FinalSpark. (n.d.). Home. Consulté le 3 juillet 2025, de https://finalspark.com/
7. Magalhães de Oliveira, F. & von Zuben, F. J. (2023). A Survey on Bio-Inspired Computing : From Algo-
rithms to Architectures. Electronics, 12 (7), 1642.
8. Church, G. M., Gao, Y., Kosuri, S. (2012). Next-Generation Digital Information Storage in DNA. Science,
337 (6102), 1628-1628.

4
 dynamique et temporaire, offrant une adaptabilité que les modules de RAM classiques
(DIMM, DDR) 9 ne peuvent égaler. La gestion de la mémoire est distribuée et activement
maintenue par le système lui-même.

Figure 2 – Densité de stockage.

2.3 Connectivité et réseaux biologiques

Les "bus" de communication, qu’ils soient parallèles ou séries, sont essentiels pour le transfert
de données entre les composants de l’ordinateur1 , notamment entre le processeur et la mémoire.
Dans les biocomputers, la connectivité est assurée par des mécanismes biologiques distribués et
dynamiques.
Les synapses neuronales comme "bus dynamiques" : Dans les systèmes neuro-
informatiques, la communication est assurée via les synapses, qui transmettent les signaux
électriques et chimiques entre les neurones. L’architecture SpiNNaker (spiking neural
network architecture) de l’Université de Manchester, par exemple, simule ce modèle
avec un million de cœurs pour reproduire l’échelle d’un cerveau de souris en temps réel 10 ,
9. KOKTEN Emir Turay. Cours 3 : Architecture des ordinateurs. Présentation PowerPoint. Année académique
2024-2025.
10. The University of Manchester. (n.d.). SpiNNaker : enabling brain-inspired AI. Consulté le 3 juillet 2025, de
https://www.scieng.manchester.ac.uk/tomorrowlabs/spinnaker/

5
 démontrant la pertinence des réseaux biologiques pour des calculs complexes et distri-
bués. Contrairement aux bus rigides des ordinateurs, les synapses peuvent modifier leur
efficacité (plasticité synaptique), agissant comme des "bus adaptatifs" qui reconfigurent
dynamiquement les chemins de communication. Réseaux moléculaires : Au niveau
moléculaire, les interactions protéine-protéine, les voies de signalisation et la diffusion mo-
léculaire constituent des "bus" de communication fluides et dynamiques, très différents des
bus parallèles ou séries rigides vus en cours4 . L’information n’est pas transmise par des im-
pulsions électriques sur des fils, mais par des gradients de concentration ou des interactions
de reconnaissance moléculaire.

Figure 3 – Bus vs Neuronne.

2.4 Support physique et contrôle environnemental

La carte mère est le "noyau matériel" qui fixe et interagit avec tous les composants de
l’ordinateur, fournissant un support physique, gérant les flux de données et distribuant l’énergie3 .
Pour les biocomputers, un environnement contrôlé et un support physique sont tout aussi vitaux.
La cellule comme "carte mère" biologique : On peut conceptualiser la cellule elle-
même comme une "carte mère" biologique. Elle fournit le support physique pour l’ADN,
les organites (équivalents de "composants"), et les protéines, tout en gérant les flux d’éner-
gie (sous forme d’ATP) et les signaux chimiques. C’est un circuit imprimé multi-couches
naturel, bien plus complexe qu’une carte mère ATX3 . Environnements biocompa-
tibles : Pour fonctionner, les biocomputers nécessitent des environnements spécifiques.
Des technologies de bioencapsulation permettent de maintenir la stabilité et la viabilité
des composants biologiques dans un milieu contrôlé (température, pH, nutriments) 11 . La
recherche se concentre sur la création de plateformes de nanomatériaux pour soutenir et
protéger ces systèmes 12 , assurant leur intégrité et leur fonctionnement optimal. Ce "boî-
tier" biologique doit être soigneusement géré pour la stabilité du système, tout comme un
boîtier d’ordinateur gère le flux d’air et la protection des composants.
11. Bioencapsulation Research Group. (n.d.). Home. Consulté le 3 juillet 2025, de https://www.
bioencapsulation.eu/
12. Xu, J., Fan, X., Li, X., Wang, Q., Liu, Q., Li, W., ... Li, Y. (2021). Progress in biological sensing and
computing based on nucleic acids and proteins. Biosensors and Bioelectronics, 173, 112803.

6
3 Composants logiciels des systèmes biocomputers
La notion de "logiciel" dans le biocomputing est fondamentalement différente de celle des
systèmes numériques, où un jeu d’instructions (ISA) définit les opérations d’un processeur 13
et où des couches logicielles spécifiques, du système d’exploitation aux applications, gèrent les
interactions3 . Ici, le "logiciel" est encodé dans la dynamique des systèmes biologiques eux-mêmes.

3.1 Systèmes d’exploitation bio-inspirés et gestion du "logiciel" biologique

Alors que les ordinateurs classiques reposent sur des systèmes d’exploitation gérant le maté-
riel et les processus de manière centralisée3 , les biocomputers nécessitent une approche radica-
lement différente, plus proche des systèmes de régulation distribués inspirés du vivant.
Régulation dynamique et décentralisée : Plutôt qu’un OS centralisé, les systèmes
biologiques fonctionnent par des cascades de réactions chimiques, des boucles de rétroac-
tion et des signaux localisés. Par exemple, la régulation génique peut être vue comme un
ensemble de "programmes" qui s’exécutent en fonction de l’état de la cellule et de son
environnement. Ces mécanismes, mimant les voies de signalisation complexes 14 , agissant
comme des "middlewares" biologiques orchestrant les interactions entre les "composants"
cellulaires sans une autorité de contrôle unique. Apprentissage et adaptation intrin-
sèques : Ces systèmes ne sont pas "programmés" au sens classique, mais "apprennent"
et s’adaptent grâce à des mécanismes comme la plasticité synaptique pour les neurones,
ou des évolutions moléculaires pour les systèmes ADN. Le "logiciel" biologique est donc
intrinsèquement adaptatif et capable d’auto-organisation, une caractéristique que les OS
classiques ne peuvent atteindre sans algorithmes complexes et des mises à jour constantes.

Figure 4 – Un "système d’exploitation distribué" au sein d’une cellule

13. KOKTEN Emir Turay. Cours 4 : Architecture des ordinateurs. Présentation PowerPoint. Année académique
2024-2025.
14. Li, X., Guo, S., Jiang, T., Zhang, Y. (2019). Bio-Inspired Control Strategies for Swarm Robotics. Frontiers
in Neurorobotics, 13, 61.

7
3.2 Sécurité et fiabilité des systèmes biologiques : une approche bio-inspirée
La sécurité et la fiabilité sont des préoccupations majeures en architecture des ordinateurs,
avec des mécanismes comme la correction d’erreurs (ECC) pour la RAM3 ou des systèmes de
redondance (ex : TMR pour les systèmes critiques 15 ). Dans le biocomputing, ces défis sont
traités par la robustesse intrinsèque des systèmes biologiques.
Gestion du bruit et redondance naturelle : Les processus biologiques sont naturelle-
ment "bruyants" et sujets aux mutations ou aux variations. Cependant, l’évolution a doté
le vivant de mécanismes sophistiqués de tolérance aux pannes et de redondance. Les sys-
tèmes de réparation d’ADN en sont un exemple parfait, corrigeant constamment les erreurs
de réplication ou de transcription. Dans le biocomputing, des techniques d’encapsulation
et de redondance moléculaire (en utilisant plusieurs copies d’ADN ou des réseaux de
neurones avec des chemins multiples pour la même tâche) sont explorées pour améliorer la
fiabilité et la reproductibilité des calculs 16 . Résilience intrinsèque : Contrairement à
un circuit électronique qui peut tomber en panne définitivement, un système biologique a
souvent une capacité de résilience et d’auto-réparation. Cette propriété fondamentale offre
des perspectives uniques pour des systèmes informatiques intrinsèquement plus fiables et
auto-maintenables, réduisant la nécessité d’interventions humaines ou de composants de
remplacement.

Figure 5 – un réseau neuronal montrant des chemins redondants pour la propagation d’un
signal, comparé à la notion de redondance matérielle ou ECC en informatique classique

4 Comparaison et mise en perspective avec les architectures in-

formatiques classiques
Pour apprécier pleinement le potentiel du biocomputing, il est essentiel de le situer par rap-
port aux architectures informatiques traditionnelles que nous avons étudiées. Cette comparaison
permet de comprendre non seulement les différences, mais aussi les leçons que chaque domaine
peut tirer de l’autre.
15. Intel. (2021, mars 21). Triple Modular Redundancy. Consulté le 3 juillet 2025, de https://www.intel.com/
content/www/us/en/docs/programmable/683128/21-3/triple-modular-redundancy.html
16. Reuel, N., Kallmyer, N., Sun, E. (2022). The Issue of Reliability and Repeatability of Analytical Measu-
rement in Industrial and Academic Nanomedicine. ACS Nano, 16 (12), 20045-20050.

8
4.1 Du modèle de Von Neumann au parallélisme biologique
Le modèle de Von Neumann, qui régit la quasi-totalité des ordinateurs actuels, est ca-
ractérisé par une mémoire unique pour les données et les programmes, et un processeur qui
exécute les instructions de manière séquentielle (Fetch-Decode-Execute)4 . Cela crée un "goulot
d’étranglement de Von Neumann" limitant le débit de données.
Analyse approfondie : Le biocomputing rompt fondamentalement avec ce paradigme.
Que ce soit avec l’ADN où des milliards de réactions se produisent simultanément en
parallèle2 , ou avec les réseaux neuronaux où chaque neurone contribue au calcul de manière
distribuée et parallèle, la force du biocomputing réside dans son parallélisme intrinsèque
et massif. Il n’y a pas de "processeur central" unique à la Von Neumann, mais un ensemble
de "calculateurs" distribués qui agissent en concert. Cette distinction est cruciale pour
la résolution de problèmes combinatoires, la reconnaissance de motifs complexes ou la
simulation de systèmes adaptatifs, où l’exploration simultanée de multiples possibilités est
plus efficace que l’exécution séquentielle. Cela nous pousse à repenser les architectures
au-delà de la stricte division entre UAL, unité de contrôle et registres1 .

4.2 Logique numérique vs. calcul analogique biologique

Nos ordinateurs reposent sur la logique numérique binaire et des portes logiques (ET,
OU, NON) qui opèrent sur des signaux discrets (0 ou 1)3 . Le transistor, unité de base des
microprocesseurs, est un interrupteur binaire.
Analyse approfondie : Les biocomputers, en revanche, opèrent souvent sur des principes
de calcul analogique et continu. Les concentrations de molécules, les potentiels de mem-
brane neuronaux, ou la force des liaisons chimiques sont des valeurs continues et nuancées,
pas de simples états binaires. Cela confère aux systèmes biologiques une capacité innée à
gérer la variabilité, l’incertitude et la redondance inhérente à leur environnement, là où un
système numérique nécessiterait des algorithmes complexes et des capteurs très précis pour
les simuler. La robustesse face au "bruit" est une caractéristique naturelle des systèmes
biologiques, à l’opposé de la sensibilité des circuits numériques aux interférences. Bien que
l’on puisse conceptualiser des "portes logiques biologiques" (par exemple, des protéines qui
n’activent une réaction que si deux molécules spécifiques sont présentes, agissant comme
une porte ET), leur fonctionnement est basé sur des interactions biochimiques complexes
et souvent stochastiques plutôt que sur la simple commutation déterministe de transistors.

4.3 Jeu d’instructions et "programmation" biologique

Le jeu d’instructions (ISA : Instruction Set Architecture) est l’interface entre le ma-
tériel et le logiciel, définissant les opérations fondamentales que le processeur peut exécuter4 . Les
architectures varient entre les RISC (Reduced Instruction Set Computer), avec des instructions
simples et rapides, et les CISC (Complex Instruction Set Computer), avec des instructions plus
complexes et polyvalentes4 .
Analyse critique et analogie : Le "jeu d’instructions" d’un biocomputer est d’une
nature très différente, sans équivalent direct aux OpCodes et aux opérandes des proces-
seurs. On pourrait conceptualiser que le vivant adopte une approche "RISC-like" au niveau
fondamental, où des "instructions" moléculaires simples (ex : liaison protéine-ADN, réac-
tion enzymatique) se combinent de manière complexe pour former des fonctions de haut
niveau. Par exemple, la transcription et la traduction sont des "instructions" biologiques
fondamentales qui, ensemble, construisent des structures complexes (protéines). Mais il y
a aussi des "machines moléculaires" complexes, presque "CISC-like", comme le ribosome
qui réalise une traduction multi-étapes et hautement coordonnée de l’ARN en protéine.

9
 Cette flexibilité et cette capacité d’auto-organisation rendent la "programmation" du bio-
computing un défi conceptuel majeur. Elle nécessite de nouvelles approches, inspirées de
la biologie synthétique et de l’ingénierie des systèmes, pour "coder" et "débugger" des
comportements biologiques. Il n’y a pas d’assembleur ou de linker au sens classique, mais
des techniques d’ingénierie génétique pour modifier les "programmes" cellulaires 17 .

4.4 Tableau comparatif synthétique

Caractéristique Informatique Classique (Sili- Biocomputing (Biologique)

cium)
Matériau de base Silicium, métaux (transistors, ADN, ARN, protéines, cellules
circuits) vivantes, neurones
Unité de base Bit (0 ou 1), état électrique (pas- Molécules (A, T, C, G), potentiel
sant/non passant) d’action des neurones, états cellu-
laires (présence/absence, concen-
tration)
Type de traitement Séquentiel, linéaire (Modèle de Massivement parallèle, non li-
Von Neumann) néaire, distribué
Mécanisme de calcul Commutation de transistors (flux Réactions biochimiques, hybri-
d’électrons) dation moléculaire, signalisation
neuronale
Vitesse (mesure) Fréquence (GHz), FLOPS (très Temps de réaction biochimique,
rapide à l’échelle individuelle) vitesse synaptique (plus lent indi-
viduellement, mais très parallèle)
Densité de stockage Limitée par la lithographie (na- Extrêmement élevée (échelle na-
nomètres) nométrique de l’ADN, jusqu’à
455 exaoctets/gramme)7
Consommation énergétique Élevée (watts), dissipation ther- Très faible (microwatts), utilise
mique significative des sources d’énergie biologiques
(ex : 20W pour un cerveau hu-
main)6
Capacités clés Calculs précis, programmation Reconnaissance de formes, ap-
déterministe, tâches répétitives prentissage, auto-réparation,
auto-organisation, résolution de
problèmes combinatoires
Adaptabilité/Apprentissage Programmée, nécessite des mises Inhérente (plasticité synap-
à jour logicielles tique, évolution moléculaire),
auto-adaptatif
Tolérance aux pannes Mécanismes de redondance et de Potentiel de tolérance inhérente
correction d’erreurs (ECC)3 (redondance biologique, répara-
tion ADN), stratégies de gestion
du "bruit" biologique12
Environnement Stables (température ambiante, Biocompatible, contrôlé (pH,
sec) température, nutriments)
Maturité technologique Très mature, omniprésente Émergente, principalement en
R&D

17. The Digital Speaker. (2023, septembre 29). Biocomputing : The Future of Computing. Consulté le 3 juillet
2025, de https://www.thedigitalspeaker.com/biocomputing-the-future-of-computing/

10
4.5 Avantages et limites critiques du Biocomputing
Si l’informatique classique reste le pilier de notre ère numérique pour les tâches généralistes
et la stabilité, le biocomputing offre des voies prometteuses pour des applications de niche où
les architectures actuelles atteignent leurs limites d’efficacité ou de consommation.
Avantages spécifiques :
— — Miniaturisation et densité : La capacité à stocker et traiter des informations à
l’échelle moléculaire ouvre des perspectives de dispositifs incroyablement petits, bien
au-delà de ce que la lithographie du silicium peut offrir.
— Efficacité énergétique radicale : Les processus biomoléculaires sont le fruit d’une
optimisation évolutive de millions d’années, rendant les biocomputers potentiellement
des milliers de fois plus économes en énergie 18 . Ce faible besoin énergétique pourrait
révolutionner les systèmes embarqués et les infrastructures de calcul.
— Auto-organisation et auto-réparation : Les systèmes biologiques peuvent s’as-
sembler, se réguler et se réparer eux-mêmes, réduisant drastiquement les besoins de
maintenance et de fabrication complexe. C’est une propriété intrinsèque absente des
ordinateurs classiques.
— Apprentissage et reconnaissance de motifs : Les réseaux neuronaux biologiques
excellent naturellement dans les tâches d’apprentissage non supervisé, de reconnais-
sance de formes complexes et de résolution de problèmes combinatoires, des domaines
où l’IA basée sur le silicium est encore très énergivore.
— Biocompatibilité : La capacité d’interagir directement avec des systèmes biolo-
giques vivants (corps humain, écosystèmes) ouvre des applications uniques impos-
sibles pour l’informatique basée sur le silicium 19 .

— Limites et défis actuels :

Vitesse d’exécution individuelle : Bien que massivement parallèle, la vitesse de
chaque réaction biochimique est intrinsèquement plus lente que le flux d’électrons13 .
Le temps de latence est donc plus élevé, ce qui limite les applications nécessitant des
calculs instantanés. Contrôle et précision : La complexité des systèmes
biologiques rend leur contrôle précis difficile, avec un "bruit" inhérent plus élevé que
dans les circuits électroniques12 . Le risque d’erreurs stochastiques est plus grand.
Stabilité et durée de vie : Maintenir la viabilité des composants biologiques sur
de longues périodes et dans des conditions variées en dehors de leur environnement
naturel est un défi majeur. La dégradation biologique est un problème persistant.
Scalabilité de l’ingénierie : Bien que les molécules soient nombreuses, la mani-
pulation et la connexion d’un grand nombre de composants biologiques à l’échelle
nécessaire pour des calculs très complexes posent des défis d’ingénierie et de concep-
tion considérables 20 . Interface et "programmation" : L’absence d’un
jeu d’instructions (ISA) clair et la nécessité de "programmer" en agissant sur des
phénomènes biologiques demandent des paradigmes de développement entièrement
nouveaux, rendant la tâche bien plus complexe que la programmation logicielle clas-
sique 21 . Coût de production : La synthèse d’ADN ou la culture de neurones
18. NanoLund. (2025, janvier 20). Biological computers could use far less energy than current tech-
nology – by working more slowly. Consulté le 3 juillet 2025, de https://www.nano.lu.se/article/
biological-computers-could-use-far-less-energy-current-technology-working-more-slowly
19. Quantum Zeitgeist. (2024, novembre 1). Biocomputing : Using Biology For Computation. Consulté le 3
juillet 2025, de https://quantumzeitgeist.com/biocomputing/
20. Nexxant Tech. (2025, janvier 10). Biocomputing Market Trends & Forecast. Consulté le 3 juillet 2025, de
https://nexxanttech.com/biocomputing-market/
21. CACM. (2024, juin 26). When Biology Meets Computing. Consulté le 3 juillet 2025, de https://cacm.acm.
org/magazines/2024/7/283626-when-biology-meets-computing/fulltext

11
 à grande échelle reste coûteuse et difficilement industrialisable pour l’instant.

5 Enjeux éthiques et financiers

Le développement du biocomputing s’accompagne d’enjeux éthiques et financiers complexes,
qui doivent être abordés avec la même rigueur que la conception architecturale d’un ordinateur.

5.1 Enjeux éthiques : la manipulation du vivant

L’usage de tissus vivants ou de cellules humaines pour le calcul soulève des questions éthiques
fondamentales et inédites.
Consentement et dignité du vivant : Comment définir le "consentement" pour des
cultures cellulaires neuronales complexes qui pourraient manifester des formes rudimen-
taires de conscience ou de "souffrance" ? Jusqu’où peut-on aller dans la manipulation et
l’ingénierie du vivant sans franchir des lignes éthiques inacceptables ? Frontières de
la vie et de la machine : Le biocomputing brouille les frontières entre le biologique
et l’artificiel, soulevant des questions philosophiques sur la nature de l’intelligence et de
la vie. Cela pose des questions sur la "dignité" potentielle de systèmes biologiques com-
plexes et sur notre responsabilité envers ces entités. La bioéthique s’impose donc comme
un cadre nécessaire et indispensable au développement responsable de ces technologies 22 .
Une réflexion rigoureuse et des réglementations claires sont primordiales pour éviter des
dérives et s’assurer que ces avancées servent le bien commun.

Figure 6 – un schéma représentant les différentes couches de responsabilité éthique dans la

recherche sur le vivant.

5.2 Enjeux financiers : coûts et potentiel de marché

Le coût de production, de culture et de stabilisation des systèmes biologiques reste
aujourd’hui un frein majeur à la démocratisation du biocomputing. Les infrastructures de labora-
22. Douglas, T., Savulescu, J. (2010). Synthetic biology and the ethics of creating new life. Journal of Medical
Ethics, 36 (7), 438-442.

12
toires nécessaires sont onéreuses et la fabrication à grande échelle encore loin d’être industrialisée,
augmentant le coût par "bit" ou par "opération" comparé au silicium.
Investissements croissants : Cependant, l’intérêt et les investissements sont en hausse.
Des startups spécialisées comme FinalSpark ou Cortical Labs s’efforcent de démocratiser
l’accès à ces technologies via des services de cloud biocomputing. De grands acteurs de l’in-
dustrie informatique et pharmaceutique, tels que Google et IBM, investissent également
massivement dans la recherche en biologie computationnelle. Marché en croissance :
Le marché de la biologie computationnelle, qui englobe le biocomputing, est estimé à 7,18
milliards de dollars en 2025 et devrait atteindre 21,95 milliards de dollars d’ici 2034 23 , ce
qui témoigne d’un potentiel financier important, malgré les défis technologiques et de pro-
duction. Cette croissance reflète la reconnaissance de la valeur unique que le biocomputing
peut apporter dans des niches spécifiques.

Figure 7 – la croissance du marché du biocomputing.

6 Applications fonctionnelles et exemples concrets

Les biocomputers sont particulièrement adaptés aux tâches parallèles, à l’analyse de données
non structurées, à la simulation biologique complexe et au machine learning, des domaines où
les architectures classiques rencontrent parfois des limites d’efficacité ou de consommation.
Diagnostic médical personnalisé et thérapies ciblées : Permettre des analyses
complexes et sur mesure en réagissant directement aux signaux biologiques au niveau
moléculaire.
— — Exemple concret : Développement de "nanobots" ADN qui, une fois dans le corps,
détectent des marqueurs spécifiques de cellules cancéreuses et libèrent une charge
thérapeutique ciblée uniquement sur ces cellules malades. Un exemple académique est
la recherche sur les "origami" d’ADN pour la nanomédecine, où des structures ADN
sont programmées pour réaliser des fonctions logiques de détection et de libération
de médicaments dans un environnement biologique complexe.

— Interfaces cerveau-machine (ICM) avancées : Améliorer la communication directe

et bidirectionnelle entre le cerveau et les systèmes informatiques.
Exemple concret : Des interfaces neuronales directes pour des prothèses de
nouvelle génération qui réagissent aux intentions du patient avec une fluidité sans pré-
cédent, ou des puces basées sur des neurones pour des traitements neurologiques de
23. Precedence Research. (2025, mars 17). Computational Biology Market Size to Hit USD 21.95 Billion by
2034. Consulté le 3 juillet 2025, de https://www.precedenceresearch.com/computational-biology-market

13
 maladies comme Parkinson ou Alzheimer. Des entreprises comme Neuralink (bien
que principalement axées sur les implants électroniques actuellement) et des labora-
toires de recherche académique étudient des moyens de "lire" et "écrire" directement
sur les neurones pour restaurer ou améliorer des fonctions cognitives.

— Calculs biochimiques in vivo et production de molécules complexes : Réaliser des

opérations directement au sein d’organismes vivants ou dans des bioréacteurs miniatures.
Exemple concret : Des "circuits génétiques" programmés dans des bactéries ou
des levures pour détecter des toxines dans l’environnement et produire des molécules
décontaminantes, ou des "usines cellulaires" pour la production à la demande de
médicaments complexes (insuline, anticorps monoclonaux) directement dans le corps
du patient ou dans des bioréacteurs portables. La "biologie de synthèse" est un champ
en pleine expansion ici.

— Pharmacologie adaptative et découverte de médicaments : Développer des médi-

caments qui s’adaptent dynamiquement aux réponses biologiques du patient.
Exemple concret : Des traitements anticancéreux qui modifient leur action en
fonction de l’évolution de la tumeur et de la résistance aux médicaments, grâce à des
capteurs et des "calculateurs" biologiques intégrés. Le criblage de millions de molé-
cules candidates pour de nouveaux médicaments peut être accélérer par des méthodes
de biocomputing basées sur l’ADN.

— Serveurs écoénergétiques pour IA : Pour des centres de données nécessitant une très
faible consommation d’énergie pour des calculs intensifs et parallèles, comme les réseaux
neuronaux profonds14 .
Exemple concret : Des "data centers" miniatures basés sur des systèmes
biologiques (comme les cultures neuronales de FinalSpark), utilisant des fractions
de l’énergie des centres de données actuels, particulièrement adaptés aux problèmes
d’optimisation ou de simulation où le temps de réponse n’est pas le facteur le plus
critique, mais l’efficacité énergétique et le parallélisme le sont.

7 Perspectives d’évolution et l’écosystème informatique futur

Les prochaines étapes du biocomputing sont cruciales pour sa démocratisation et sa maturité.
Elles visent à améliorer la reproductibilité des expériences, à automatiser la culture
neuronale, et surtout, à hybrider les systèmes vivants et silicium.
Hybridation et Complémentarité : L’avenir le plus probable n’est pas un remplace-
ment de l’informatique classique, mais une coexistence harmonieuse et complémen-
taire. Les biocomputers pourraient exceller dans des tâches spécifiques (reconnaissance de
formes, optimisation, apprentissage) que le silicium gèrerait avec moins d’efficacité énergé-
tique ou de parallélisme. Inversement, la précision et la rapidité des calculs numériques clas-
siques resteraient irremplaçables pour d’autres tâches. On peut imaginer des puces de sili-
cium comme "unités de contrôle" pour des "processeurs" biologiques. Standardisation
et industrialisation : L’apparition de standards internationaux pour le stockage ADN
ou l’encapsulation tissulaire permettra une adoption plus large et une industrialisation
progressive des procédés. Écosystème informatique hybride : À long terme, les bio-
computers pourraient coexister avec les ordinateurs quantiques et classiques, formant un
écosystème informatique hybride capable de résoudre des défis complexes d’une ma-
nière inédite. Cette synergie pourrait débloquer des avancées majeures dans des domaines

14
 allant de la médecine à l’intelligence artificielle, en offrant des solutions complémentaires
aux limites de chaque technologie. Le biocomputing est une "couche" émergente dans la
pyramide des architectures informatiques, apportant ses propres forces uniques au service
de problèmes autrefois insolubles.

Figure 8 – Représentation futuriste d’un écosystème informatique hybride intégrant des com-
posants biologiques, quantiques et classiques interconnectés, symbolisant leur synergie et leur
positionnement dans une hiérarchie de calcul.

8 Conclusion
Le biocomputing se positionne comme une rupture technologique majeure, redéfinissant les
fondements mêmes de l’informatique en s’inspirant du génie du vivant. Comme nous l’avons
exploré, cette discipline exploite des architectures matérielles novatrices basées sur l’ADN
et les neurones, promettant une miniaturisation sans précédent, une consommation énergé-
tique drastiquement réduite et des capacités d’auto-organisation. Notre analyse, mise en
perspective avec les concepts fondamentaux de vos cours d’architecture des ordinateurs, a mis
en lumière que, contrairement au modèle séquentiel de Von Neumann, le biocomputing opère
sur un mode massivement parallèle, s’appuyant sur des logiques plus analogiques que bi-
naires. L’émergence de composants logiciels bio-inspirés est tout aussi cruciale, nécessitant
une réinvention des paradigmes de programmation et de contrôle pour interagir avec ces sub-
strats biologiques complexes, potentiellement en explorant des analogies avec les architectures
RISC/CISC.
La comparaison détaillée avec les systèmes informatiques classiques a mis en lumière les
avantages inhérents au biocomputing en termes d’efficacité énergétique et de capacités d’ap-
prentissage évolutives, le distinguant fondamentalement des architectures actuelles. Cependant,
le chemin vers une adoption généralisée est jalonné d’**enjeux éthiques** profonds, liés à la
manipulation du vivant, et de **défis financiers**, notamment le coût de production et de sta-
bilisation des systèmes biologiques. Ces obstacles sont reconnus, mais le potentiel de marché en
croissance témoigne de la confiance dans les futures percées.
Malgré ces défis, les applications fonctionnelles envisagées sont immenses, allant du diag-
nostic médical personnalisé aux interfaces cerveau-machine avancées, en passant par des calculs
biochimiques in vivo et des serveurs écoénergétiques. Les perspectives d’évolution suggèrent
une hybridation croissante avec les technologies silicium et quantiques, pavant la voie à un

15
écosystème informatique futuriste où chaque technologie apportera ses forces complémentaires,
exploitant le meilleur de l’électronique, de la biologie et de la physique quantique.
En définitive, le biocomputing n’est pas seulement une nouvelle branche de l’informatique ;
c’est une invitation à repenser notre rapport à l’information et à la technologie à travers le
prisme de la biologie. Bien que des recherches approfondies, une standardisation accrue et un
cadre éthique rigoureux soient encore nécessaires, le potentiel de cette convergence est colossal,
promettant de débloquer des solutions inédites pour les défis les plus complexes de notre siècle.
Le futur de l’informatique pourrait bien battre au rythme des processus biologiques.

16
9. Bibliographie

Références
[—
1] KOKTEN Emir Turay. Cours 1 : Architecture des ordinateurs. Présentation PowerPoint.
Année académique 2024-2025.
[2] Adleman, L. M. (1994). Molecular computation of solutions to combinatorial problems.
Science, 266 (5187), 1021-1024.
[3] KOKTEN Emir Turay. Cours 2 : Architecture des ordinateurs. Présentation PowerPoint.
Année académique 2024-2025.
[4] KOKTEN Emir Turay. Cours 4 : Architecture des ordinateurs. Présentation PowerPoint.
Année académique 2024-2025.
[5] FinalSpark. (n.d.). Home. Consulté le 3 juillet 2025, de https://finalspark.com/
[6] Magalhães de Oliveira, F. & von Zuben, F. J. (2023). A Survey on Bio-Inspired Computing :
From Algorithms to Architectures. Electronics, 12 (7), 1642.
[7] Church, G. M., Gao, Y., Kosuri, S. (2012). Next-Generation Digital Information Storage
in DNA. Science, 337 (6102), 1628-1660.
[8] The University of Manchester. (n.d.). SpiNNaker : enabling brain-inspired AI. Consulté le
3 juillet 2025, de https://www.scieng.manchester.ac.uk/tomorrowlabs/spinnaker/
[9] KOKTEN Emir Turay. Cours 3 : Architecture des ordinateurs. Présentation PowerPoint.
Année académique 2024-2025.
[10] Bioencapsulation Research Group. (n.d.). Home. Consulté le 3 juillet 2025, de https://
www.bioencapsulation.eu/
[11] Xu, J., Fan, X., Li, X., Wang, Q., Liu, Q., Li, W., ... Li, Y. (2021). Progress in biological
sensing and computing based on nucleic acids and proteins. Biosensors and Bioelectronics,
173, 112803.
[12] Li, X., Guo, S., Jiang, T., Zhang, Y. (2019). Bio-Inspired Control Strategies for Swarm
Robotics. Frontiers in Neurorobotics, 13, 61.
[13] Reuel, N., Kallmyer, N., Sun, E. (2022). The Issue of Reliability and Repeatability of
Analytical Measurement in Industrial and Academic Nanomedicine. ACS Nano, 16 (12),
20045-20050.
[14] NanoLund. (2025, janvier 20). Biological computers could use far
less energy than current technology – by working more slowly.
Consulté le 3 juillet 2025, de https://www.nano.lu.se/article/
biological-computers-could-use-far-less-energy-current-technology-working-more-slowly
[15] Quantum Zeitgeist. (2024, novembre 1). Biocomputing : Using Biology For Computation.
Consulté le 3 juillet 2025, de https://quantumzeitgeist.com/biocomputing/
[16] Nexxant Tech. (2025, janvier 10). Biocomputing Market Trends & Forecast. Consulté le 3
juillet 2025, de https://nexxanttech.com/biocomputing-market/
[17] CACM. (2024, juin 26). When Biology Meets Computing. Consulté le 3 juillet 2025, de
https://cacm.acm.org/magazines/2024/7/283626-when-biology-meets-computing/
fulltext
[18] Douglas, T., Savulescu, J. (2010). Synthetic biology and the ethics of creating new life.
Journal of Medical Ethics, 36 (7), 438-442.
[19] Intel. (2021, mars 21). Triple Modular Redundancy. Consulté le 3 juillet 2025, de
https://www.intel.com/content/www/us/en/docs/programmable/683128/21-3/
triple-modular-redundancy.html

17