Vipsania: Unsupervised Deep Gene Finding

Chaque nouvelle forme de vie que nous découvrons sur Terre commence sa vie scientifique sous la forme d'une chaîne de lettres : une séquence longue et ininterrompue d'ADN qui détient le plan de construction d'un organisme vivant. Mais une séquence brute est comme un livre écrit dans une langue où les espaces entre les mots auraient été effacés et les lettres majuscules supprimées. Pour comprendre comment cet organisme fonctionne, les scientifiques doivent d'abord trouver les phrases — les gènes — qui indiquent à la cellule comment construire des protéines, les machines moléculaires qui effectuent le travail réel de la vie. Ce processus, connu sous le nom de recherche de gènes, est la première étape essentielle de presque toute recherche biologique. Sans cela, le génome reste un code silencieux. Pendant des décennies, la manière la plus fiable de lire ces codes a consisté à chercher des indices provenant du monde extérieur, comme la comparaison de l'ADN avec des protéines connues d'espèces apparentées ou l'utilisation de données d'ARN pour voir quelles parties du génome sont actives. Cependant, cette approche se heurte à un mur lorsque les scientifiques rencontrent la vaste majorité de la vie sur Terre, qui n'a pas de parents proches avec des gènes connus et aucune donnée d'ARN disponible. Pour ces organismes, les instructions de construction de la vie sont restées cachées.

Une équipe de chercheurs de l'Université de Greifswald a introduit un nouvel outil appelé Vipsania qui change notre façon de lire ces livres silencieux. Au lieu de s'appuyer sur des indices externes ou des cartes préexistantes, Vipsania apprend à trouver des gènes en lisant la séquence d'ADN elle-même, sans aucune connaissance préalable de ce à quoi ressemble un gène. Les chercheurs ont entraîné ce programme informatique sur près d'un billion de lettres d'ADN provenant de milliers d'espèces différentes, lui apprenant à prédire la lettre suivante dans une séquence en fonction des précédentes. Ce faisant, le programme a accidentellement appris la grammaire cachée de la vie : les motifs spécifiques qui distinguent un gène de l'ADN non codant qui l'entoure. Le résultat est un système capable d'identifier avec précision les gènes dans presque n'importe quel organisme eucaryote, des algues microscopiques aux animaux complexes, même lorsque personne n'a jamais vu de gène de ce groupe spécifique auparavant.

Le défi de la recherche de gènes est particulièrement difficile car les instructions ne sont pas écrites sur une ligne simple et continue. Dans les organismes complexes, les parties d'un gène qui codent pour les protéines sont souvent interrompues par de longues étendues d'ADN non codant, un peu comme une phrase où les mots importants seraient séparés par un remplissage aléatoire et dénué de sens. Pour reconstruire le gène, un ordinateur doit déterminer où ces interruptions commencent et finissent, et dans quelle direction la phrase est lue. Les méthodes traditionnelles reposent sur l'apprentissage « supervisé », où un ordinateur se voit montrer des milliers d'exemples de gènes corrects provenant d'espèces bien étudiées et apprend à reconnaître les motifs. Cela fonctionne bien pour des groupes familiers comme les humains ou les mouches du vinaigre, mais cela échoue lorsque l'ordinateur rencontre une espèce trop différente de ses exemples d'entraînement. Si l'ordinateur n'a vu que des gènes de mammifères, il aura du mal à trouver les gènes d'une éponge ou d'un champignon, les manquant souvent ou inventant des structures qui n'existent pas.

Vipsania prend un chemin différent. C'est un système « non supervisé », ce qui signifie qu'on ne lui a jamais montré un seul exemple de gène correct pendant son entraînement. Au lieu de cela, on lui a donné des séquences d'ADN brutes et on lui a demandé de remplir les blancs. Les chercheurs ont masqué des lettres aléatoires dans la séquence et ont demandé au modèle de deviner lesquelles elles étaient en fonction du contexte environnant. Pour rendre cette tâche possible, ils ont construit une couche spéciale dans le cerveau de l'ordinateur qui agit comme un correcteur grammatical. Cette couche impose les règles de la structure des gènes, comme le fait de s'assurer que le cadre de lecture reste cohérent et que les signaux d'arrêt apparaissent aux bons endroits. Alors que le modèle tentait de prédire les lettres manquantes, il devait apprendre la structure sous-jacente du génome pour réussir. Au fil du temps, le modèle a découvert les motifs des gènes par lui-même, apprenant à distinguer les régions codantes des régions non codantes sans jamais savoir ce qu'était un gène.

Les résultats de cette approche sont frappants. Testé contre les meilleurs outils existants, Vipsania s'est avéré plus précis dans presque tous les groupes d'organismes examinés. Alors que d'autres méthodes perdent souvent en précision lorsqu'elles sont appliquées à des espèces éloignées, Vipsania a maintenu ses performances, montrant qu'il avait appris les règles fondamentales de la vie plutôt que de simplement mémoriser des exemples spécifiques. Lors de tests impliquant des groupes comme les champignons, les insectes et divers types d'algues, Vipsania a correctement identifié la structure des gènes dans la grande majorité des cas, surpassant souvent les outils qui dépendent de vastes quantités de données externes. Il a même réussi à trouver des gènes dans des organismes qui utilisent un code génétique légèrement différent, où les signaux d'arrêt standards pour les gènes signifient tout autre chose. En ajustant simplement un petit paramètre pour correspondre au code spécifique de l'organisme, les chercheurs ont pu entraîner Vipsania sur un seul génome en seulement quelques heures, et il a immédiatement commencé à produire des annotations précises.

Cette capacité est cruciale pour l'avenir de la biologie. Un effort mondial massif est actuellement en cours pour séquencer les génomes de toutes les espèces nommées sur Terre, un projet qui vise à créer une bibliothèque de référence pour les 1,67 million d'espèces eucaryotes connues. Cependant, le goulot d'étranglement n'est plus le séquençage de l'ADN ; c'est l'annotation. Actuellement, moins de 20 % des génomes dans les bases de données publiques possèdent une annotation de gènes, laissant des branches entières de l'arbre de la vie, comme de nombreux types d'algues et d'animaux microscopiques, sans aucune carte structurelle. Vipsania offre un moyen de combler cette lacune. Parce qu'il ne nécessite ni données d'ARN ni espèces apparentées pour fonctionner, il peut être appliqué à n'importe quel génome, quel que soit le peu de connaissances disponibles sur cet organisme. Les chercheurs ont publié des modèles pré-entraînés pour 17 groupes majeurs de la vie, couvrant plus de 99 % de toutes les espèces eucaryotes connues, et ont fourni un modèle général pour la fraction restante.

Le succès de Vipsania suggère que les règles de la structure des gènes sont suffisamment universelles pour être apprises à partir du texte brut de l'ADN seul. En supprimant le besoin de preuves externes, les chercheurs ont créé un outil capable d'apporter la lumière dans les coins les plus sombres de l'arbre de la vie. Bien que les outils utilisant les données d'ARN puissent encore être le meilleur choix pour les espèces bien étudiées où ces données sont abondantes, Vipsania constitue une solution de pointe pour la vaste majorité de la vie sur Terre qui n'a jamais été étudiée de cette manière. Cela représente un passage de la dépendance à ce que nous savons déjà vers la découverte de ce qui est présent, simplement en écoutant le langage du génome lui-même. Pour la première fois, les scientifiques disposent d'une méthode capable de générer des cartes géniques de haute qualité pour pratiquement tout organisme eucaryote, transformant les chaînes silencieuses d'ADN en instructions lisibles pour la vie.