Ancestral Sequences Cannot be Accurately Reconstructed via Interpolation in a Variational Autoencoder's Latent Space
Cette étude démontre qu'en dépit du potentiel des autoencodeurs variationnels pour modéliser les interactions épistatiques, leur perte d'information inhérente lors du processus de décodage les empêche de reconstruire avec précision les séquences ancestrales, car ils sont systématiquement surpassés par les méthodes classiques basées sur la vraisemblance et la parcimonie.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Au plus profond de l'histoire de la vie, chaque être vivant porte un enregistrement moléculaire de ses ancêtres. Les scientifiques cherchent depuis longtemps à lire cet enregistrement, un processus connu sous le nom de reconstruction de séquences ancestrales. Imaginez que vous essayiez de deviner les mots exacts d'une lettre écrite par un arrière-grand-parent, en vous basant uniquement sur les copies détenues par leurs nombreux arrière-petits-enfants. En biologie, ces « lettres » sont les chaînes d'acides aminés qui composent les protéines, les ouvrières de chaque cellule. Pendant des décennies, les chercheurs ont utilisé des modèles statistiques pour combler les mots manquants, en supposant que chaque lettre de la chaîne change indépendamment des autres, comme un mot unique dans une phrase qui serait remplacé sans affecter le sens de l'ensemble. Cette approche a été l'outil standard pour comprendre comment les protéines ont évolué sur des millions d'années.
Cependant, la biologie est rarement aussi simple. En réalité, les lettres d'une chaîne protéique dépendent souvent les unes des autres ; changer un acide aminé pourrait n'être sûr que si un autre changement spécifique se produit à proximité. Cette interdépendance complexe, connue sous le nom d'épistasie, est difficile à capturer avec les outils statistiques traditionnels. Récemment, une nouvelle génération d'outils d'intelligence artificielle, spécifiquement un type de modèle d'apprentissage profond appelé auto-encodeur variationnel, a offert une voie différente. Ces modèles excellent à trouver des motifs cachés dans de vastes quantités de données. Ils peuvent compresser une longue séquence protéique en un résumé mathématique compact, ou « plongement » (embedding), puis tenter de reconstruire la séquence originale à partir de ce résumé. Comme ces modèles apprennent directement à partir des données sans qu'on leur dise d'ignorer les connexions entre les lettres, de nombreux scientifiques espéraient qu'ils pourraient résoudre le problème de l'épistasie et reconstruire des protéines anciennes avec une précision sans précédent.
Une équipe de chercheurs s'est donné pour mission de tester directement cet espoir. Ils ont construit un pipeline utilisant ces modèles d'IA pour deviner les séquences de protéines anciennes. L'idée était simple : prendre les protéines modernes que nous possédons aujourd'hui, les compresser en ces résumés mathématiques, puis utiliser l'arbre phylogénétique connu des protéines pour interpoler, ou deviner, ce à quoi ressemblaient les résumés des ancêtres anciens. Une fois qu'ils auraient obtenu ces résumés devinés, ils les réinjecteraient dans l'IA pour générer les séquences d'acides aminés réelles. Si cela fonctionnait, cela signifierait que l'apprentissage profond pourrait contourner les limites des statistiques traditionnelles et révéler la véritable histoire des protéines, même lorsque ces histoires sont façonnées par des interactions complexes entre différentes parties de la molécule.
Les chercheurs ont mis cette idée à l'épreuve en utilisant des simulations informatiques. Ils ont créé des milliers de fausses familles de protéines qui ont évolué au fil du temps, d'abord en utilisant les règles simples et indépendantes que supposent les modèles traditionnels, puis en utilisant des règles complexes incluant les changements interdépendants trouvés dans la nature. Ils ont ensuite tenté de reconstruire les ancêtres de ces fausses familles en utilisant à la fois la nouvelle méthode d'IA et les méthodes statistiques établies. Les résultats étaient clairs et cohérents. Dans chaque scénario, que les protéines aient évolué simplement ou avec des dépendances complexes, les méthodes statistiques traditionnelles ont surpassé l'approche par IA. Le modèle d'apprentissage profond n'a pas réussi à produire des séquences ancestrales précises, même dans les situations où il était censé briller.
L'étude est allée plus loin pour comprendre pourquoi l'IA avait échoué. Il s'est avéré que le problème n'était pas que l'IA avait manqué la structure de l'arbre phylogénétique. Lorsque les chercheurs ont examiné les résumés mathématiques, ils ont constaté que l'IA avait effectivement appris à organiser les protéines de manière à refléter leurs relations évolutives. L'échec résidait dans l'étape de reconstruction elle-même. Dans l'effort de l'IA pour compresser les données en un petit résumé, elle perdait inévitablement certains détails fins de la séquence originale. Lorsque les chercheurs ont tenté de reconstruire les protéines anciennes à partir de ces résumés, l'information était trop floue. Le modèle ne pouvait pas générer une séquence avec assez de précision pour correspondre à l'histoire réelle. Même lorsque les chercheurs ont augmenté la taille du résumé mathématique pour tenter de conserver plus d'informations, les gains étaient minimes, et le modèle commençait simplement à mémoriser les protéines modernes plutôt qu'à apprendre les règles générales de l'évolution.
Les chercheurs ont également testé une version plus avancée de l'IA qui a été explicitement instruite de l'arbre phylogénétique pendant son entraînement. Ils espéraient que ce guide supplémentaire aiderait, mais cela n'a pas amélioré les résultats. Le goulot d'étranglement fondamental restait le même : le processus de compression de la séquence en un résumé, puis d'expansion de celui-ci, était trop destructeur pour la tâche délicate de deviner le passé. L'étude conclut que, bien que ces plongements d'IA soient des outils puissants pour visualiser les familles de protéines et prédire comment les protéines modernes pourraient se comporter, ils ne sont pas encore prêts à remplacer les méthodes statistiques établies pour reconstruire le passé. L'espoir que l'apprentissage profond puisse résoudre sans effort les interactions évolutives complexes était, dans cette application spécifique, une impasse. Les méthodes traditionnelles, malgré leurs hypothèses plus simples, restent le moyen le plus fiable de lire l'histoire moléculaire de la vie.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.