Classical baselines outperform released deep-learning ITS classifiers, which collapse on ITS2 where predictions follow the flanking regions
Cette étude démontre que, bien que les classificateurs d'apprentissage profond pour les séquences ITS fongiques atteignent une grande précision sur les références de pleine longueur, ils échouent de manière spectaculaire sur la sous-région ITS2 couramment utilisée en s'appuyant sur les régions flanquantes plutôt que sur le code-barres lui-même, ce qui fait que les méthodes de référence classiques surpassent significativement ces derniers dans des scénarios réalistes de métabarcoding environnemental.
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
Dans le monde microscopique des champignons, les scientifiques s'appuient sur une séquence spécifique de code génétique pour identifier les espèces, un peu comme un bibliothécaire utilise un code-barres pour trier des livres. Ce code, connu sous le nom d'espaceur transcrit interne ou ITS, se situe entre d'autres gènes dans l'ADN fongique et varie suffisamment entre les espèces pour servir d'identifiant unique. Pendant des décennies, les chercheurs ont utilisé cette région pour répertorier la vie fongique invisible qui nous entoure, des champignons dans une forêt aux moisissures poussant dans une maison. Cependant, la technologie moderne a permis de séquencer uniquement un petit fragment pratique de ce code — plus précisément une section appelée ITS2 — plutôt que l'intégralité du registre génétique. Ce raccourci est plus rapide et moins coûteux, permettant aux scientifiques de traiter des milliers d'échantillons à la fois, mais il soulève une question cruciale : les programmes informatiques les plus avancés, entraînés sur le registre génétique complet, peuvent-ils encore reconnaître le champignon lorsqu'ils ne voient que ce minuscule fragment ?
Récemment, une équipe de chercheurs s'est donné pour mission de tester les limites de l'intelligence artificielle dans ce domaine. Ils ont examiné deux puissants classificateurs par apprentissage profond, des modèles informatiques sophistiqués qui avaient été entraînés sur des millions de séquences fongiques pour prédire les noms d'espèces avec une grande précision. Ces modèles étaient célébrés pour leur capacité à identifier les champignons avec une précision de plus de 90 %, mais ils avaient été entraînés sur les enregistrements génétiques complets et de pleine longueur. Les chercheurs voulaient savoir si ces mêmes modèles fonctionneraient s'ils étaient alimentés par les séquences courtes et partielles que produisent réellement les inventaires environnementaux. Pour le découvrir, ils ont créé un test équitable en utilisant des milliers de séquences fongiques, comparant les performances de l'intelligence artificielle aux méthodes plus anciennes et traditionnelles qui reposent sur une comparaison directe plutôt que sur un apprentissage complexe.
Les résultats ont révélé un échec sévère de l'intelligence artificielle. Lorsque les chercheurs ont soumis aux modèles les enregistrements génétiques complets, les classificateurs par apprentissage profond ont obtenu des performances acceptables, bien qu'ils soient toujours légèrement moins précis que les méthodes traditionnelles. Cependant, dès que l'entrée a été restreinte au court fragment ITS2, les performances de l'intelligence artificielle se sont effondrées. Sur ce court fragment, les modèles d'apprentissage profond sont tombés à une précision d'environ 18 à 28 %, un échec catastrophique par rapport aux méthodes traditionnelles, qui restaient robustes et précises à près de 90 %. Les modèles d'intelligence artificielle, qui avaient été présentés comme l'avenir de l'identification fongique, ont essentiellement cessé de fonctionner face aux données qu'ils étaient pourtant les plus susceptibles de rencontrer dans le monde réel.
Les chercheurs ont ensuite cherché à comprendre pourquoi cela s'était produit, soupçonnant que les modèles ne lisaient pas réellement le code-barres qu'ils étaient censés identifier. Ils ont mené une expérience ingénieuse consistant à prendre le court fragment ITS2 d'un champignon et à l'entourer des régions génétiques adjacentes d'un type de champignon complètement différent. Si les modèles lisaient véritablement le code-barres ITS2, ils devraient identifier le champignon d'origine. Au lieu de cela, les modèles ont identifié de manière prédominante le champignon donneur, celui dont le matériel génétique environnant avait été attaché. Dans un cas, le modèle a correctement identifié la famille du donneur pour près de 64 % des requêtes, tout en identifiant le champignon réel dans moins de 1 % des cas. Cela a prouvé que les modèles ne regardaient pas le code-barres lui-même, mais qu'ils s'appuyaient sur le contexte génétique environnant, lequel était totalement absent des courts échantillons environnementaux.
Cette découverte explique pourquoi les modèles ont échoué de manière aussi spectaculaire. L'intelligence artificielle avait appris à reconnaître les champignons en examinant l'intégralité du registre génétique, y compris les régions situées avant et après le code-barres. Présentés au seul court fragment, les modèles étaient de fait aveugles, incapables de trouver les caractéristiques qu'ils avaient été entraînés à reconnaître. Pire encore, les modèles n'ont pas admis leur confusion. Leurs scores de confiance ont perdu la capacité de distinguer les champignons familiers des nouveaux venus, ce qui signifie que le résultat ne fournissait aucun avertissement indiquant que la prédiction était probablement erronée. Dans le cas d'un modèle, il est resté trop confiant, donnant aux chercheurs un faux sentiment de sécurité malgré une erreur quasi systématique. L'étude conclut que la haute précision rapportée de ces outils d'apprentissage profond est une illusion créée par des tests effectués sur des données qui ne correspondent pas aux conditions réelles des inventaires environnementaux. Pour que ces outils soient utiles, ils doivent être réentraînés ou redessinés pour comprendre que les courts fragments qu'ils reçoivent sont fondamentalement différents des enregistrements complets sur lesquels ils ont été bâtis, faute de quoi les scientifiques devront se fier aux méthodes plus simples et plus fiables qui ont résisté à l'épreuve du temps.
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.