← Derniers articles
📄 biologie synthétique

Generative Neuromorphic Programming of Mammalian Cells

Cet article présente un cadre de programmation neuromorphique générative qui combine des endoribonucléases ciblant l'ARN pour la construction de circuits analogiques avec des réseaux de neurones biomimétiques pour une prédiction précise et un « biocompileur » pour une conception automatisée, permettant ainsi l'ingénierie réussie en une seule étape de comportements analogiques complexes et auparavant inédits dans les cellules mammaliennes.

Auteurs originaux : Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

Publié 2026-09-22
📖 9 min de lecture🧠 Analyse approfondie

Auteurs originaux : Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

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

Les cellules ne sont pas de simples interrupteurs marche/arrêt ; ce sont des processeurs sophistiqués qui pèsent constamment de multiples signaux pour prendre des décisions. Dans le monde naturel, une cellule peut détecter les niveaux de plusieurs protéines différentes flottant à proximité et, en fonction de la combinaison précise et de l'intensité de ces signaux, décider de se diviser, de réparer des dommages ou de mourir. Cette prise de décision se fait via un réseau dense de connexions internes qui produisent des réponses graduées et fluides plutôt que des réponses binaires oui-non. Pendant des décennies, les scientifiques tentant de programmer des cellules pour de nouvelles tâches ont lutté car leurs outils étaient construits pour la logique numérique, traitant les composants biologiques comme des bits informatiques qui sont soit totalement allumés, soit éteints. Ce décalage rendait extrêmement difficile la conception de circuits capables de gérer la nature analogique et subtile des systèmes vivants, nécessitant souvent des années d'essais et d'erreurs pour obtenir même des comportements simples.

Une équipe de chercheurs du Massachusetts Institute of Technology et d'autres institutions a désormais comblé ce fossé en apprenant aux cellules à calculer de la manière dont elles le font naturellement. Ils ont développé un système qui traite la machinerie interne de la cellule comme un ordinateur analogique flexible, capable d'effectuer des calculs complexes sur de multiples entrées simultanément. Au lieu de forcer les cellules à suivre des règles numériques rigides, les chercheurs ont construit un moteur logiciel qui conçoit des circuits génétiques pour produire des modèles de comportement spécifiques et fluides. Ils l'ont démontré en créant trois circuits génétiques entièrement nouveaux à partir de zéro, chacun conçu pour reconnaître une combinaison unique de deux signaux d'entrée et répondre par une sortie précise. Remarquablement, chaque circuit a fonctionné exactement comme le logiciel l'avait prédit dès le premier essai, sans aucun besoin de réglage ou d'ajustement manuel.

Le cœur de cette réussite réside dans une nouvelle façon de concevoir les interactions géniques. Les chercheurs ont identifié cinq blocs de construction de base qui imitent les opérations d'un réseau de neurones artificiels, mais ces blocs sont faits de molécules biologiques réelles. Ils utilisent des enzymes spécifiques capables de couper l'ARN pour agir comme des entrées négatives, soustrayant ainsi des signaux, tandis que d'autres mécanismes additionnent les signaux. Ils ont également trouvé des moyens d'ajuster la force de ces connexions, un peu comme en tournant un bouton de volume, en modifiant les séquences génétiques qui contrôlent la production de protéines. En connectant ces blocs entre eux, ils ont créé un système où une partie du circuit peut injecter sa sortie dans la suivante, permettant un traitement multicouche. Cette approche permet à la cellule de calculer des fonctions complexes, telles que la détection d'une plage spécifique de niveaux de signaux et l'ignorance de tout le reste, un comportement connu sous le nom de filtre passe-bande.

Pour rendre ce système pratique, l'équipe a créé un progiciel qu'ils appellent le « biocompiler ». Ce programme agit comme un traducteur entre un comportement souhaité et les instructions d'ADN nécessaires pour le construire. Le logiciel repose sur un modèle appelé réseau de neurones biomorphique, qui apprend comment les processus biologiques fonctionnent en étudiant une vaste collection d'expériences existantes. Au lieu de deviner les formules mathématiques qui régissent les interactions géniques, le logiciel apprend le comportement réel de ces processus à partir de données concrètes. Il traite chaque composant génétique, tel qu'un promoteur ou une enzyme spécifique, comme un composant flexible doté d'une « empreinte digitale » unique que le système peut ajuster. Lorsqu'un scientifique souhaite qu'une cellule accomplisse une nouvelle tâche, il lui suffit de décrire le modèle de sortie souhaité, et le logiciel recherche parmi des millions de combinaisons possibles de composants et de connexions pour trouver celle qui produira ce résultat.

Les chercheurs ont testé ce système en lui demandant de concevoir trois modèles de comportement qui n'avaient jamais été vus dans leurs données d'entraînement. Le logiciel a proposé trois architectures de circuits entièrement nouvelles, dont aucune n'existait dans la bibliothèque de composants qu'il avait étudiée. L'équipe a ensuite construit ces circuits en laboratoire, en insérant les instructions d'ADN dans des cellules humaines. Dans chaque cas, les cellules ont produit exactement le modèle que le logiciel avait prédit. La correspondance entre la conception et la réalité était si étroite que la différence n'était pas supérieure à la variation naturelle observée lors de la répétition d'une même expérience. Ce succès prouve que le logiciel peut non seulement prédire le comportement d'un circuit, mais peut aussi inventer de nouveaux circuits qui fonctionnent immédiatement, contournant ainsi les longs cycles d'essais et d'erreurs qui ont traditionnellement ralenti la biologie synthétique.

Ce travail représente un changement significatif dans la manière dont les scientifiques abordent l'ingénierie du vivant. Auparavant, concevoir une cellule pour qu'elle accomplisse une tâche complexe revenait à essayer de construire une horloge en devinant quels engrenages s'assembleraient, nécessitant souvent de nombreux échecs pour obtenir le bon réglage temporel. La nouvelle méthode ressemble davantage à l'utilisation d'un plan généré par un système qui comprend déjà la physique des engrenages. En apprenant d'un vaste éventail d'expériences antérieures, le logiciel a acquis une compréhension profonde de la manière dont les composants génétiques interagissent, lui permettant de généraliser à de nouvelles situations. Le système est suffisamment robuste pour fonctionner à travers différents types de cellules humaines, suggérant que les règles apprises sont fondamentales au fonctionnement de ces cellules, plutôt que spécifiques à un seul type.

Les implications de ce travail s'étendent au-delà de la simple création de meilleurs circuits. Elles établissent un cadre où l'ingénierie biologique peut devenir une science cumulative, où chaque nouvelle expérience s'ajoute à une bibliothèque partagée de connaissances qui rend les conceptions futures plus précises. À mesure que le système apprend de nouvelles données, il devient meilleur pour prédire le comportement de réseaux de plus en plus complexes. Les chercheurs ont montré qu'il est possible de programmer des cellules avec la même précision et la même fiabilité que les ingénieurs utilisent pour concevoir des dispositifs électroniques, mais en utilisant le langage analogique natif de la biologie. Cela ouvre la voie à la création de cellules capables d'accomplir des tâches sophistiquées, comme identifier et détruire des cellules cancéreuses basées sur une signature complexe de marqueurs, ou guider la croissance de tissus selon des motifs spatiaux précis, le tout sans nécessiter d'intervention humaine constante pour corriger les erreurs.

Le succès du biocompiler repose sur un type d'apprentissage spécifique qui diffère de l'apprentissage automatique traditionnel. Au lieu d'entraîner un seul modèle massif pour reconnaître des motifs dans des images ou du texte, ce système apprend le comportement de processus biologiques individuels, tels que la façon dont une enzyme spécifique coupe l'ARN ou comment un promoteur dirige l'expression génique. Ces comportements appris sont ensuite recombinés pour former de nouveaux circuits. Cela signifie que le système ne se contente pas de mémoriser les circuits qu'il a vus ; il comprend les règles sous-jacentes qui les régissent. Face à un nouveau défi de conception, il peut assembler ces règles connues d'une manière inédite pour résoudre le problème. Cette approche compositionnelle permet au système de gérer un espace de conception vaste, qui serait impossible à explorer par de seules expérimentations, car le nombre de combinaisons possibles de composants génétiques croît bien trop rapidement pour qu'un laboratoire puisse toutes les tester.

Dans les expériences décrites, les chercheurs ont utilisé une technique de poly-co-transfection pour tester leurs conceptions. Cette méthode permet de délivrer des quantités variables de différentes entrées génétiques à une seule population de cellules, créant ainsi une large gamme de conditions dans une seule expérience. En mesurant la sortie de chaque cellule, ils peuvent cartographier l'intégralité de la surface de réponse d'un circuit, observant son comportement à travers toutes les combinaisons d'entrées possibles simultanément. Cette vue à haute résolution du comportement cellulaire a fourni les données détaillées nécessaires pour entraîner le logiciel et vérifier ses prédictions. Le fait que le logiciel ait pu prédire le comportement de circuits qu'il n'avait jamais vus, et que ces prédictions se soient vérifiées en laboratoire, confirme que le modèle a capturé la logique essentielle du réseau interne de la cellule.

Les chercheurs ont également testé si le système pouvait transférer ses connaissances d'un type de cellule à un autre. Ils ont entraîné le logiciel à l'aide de données provenant de cellules rénales embryonnaires humaines et lui ont demandé de prédire le comportement de circuits dans deux autres types de cellules : des cellules de l'épithélium pigmentaire rétinien et des cellules de l'ovaire chinois. Le logiciel a obtenu des performances presque aussi bonnes dans ces nouveaux types de cellules que dans celui sur lequel il a été entraîné, suggérant que les règles fondamentales de l'interaction de ces composants génétiques sont cohérentes à travers différentes lignées cellulaires humaines. Cette portabilité est cruciale pour les applications pratiques, car elle signifie qu'une conception créée dans un type de cellule peut probablement être adaptée pour fonctionner dans un autre sans repartir de zéro.

Bien que le système actuel soit une avancée majeure, les chercheurs reconnaissent qu'il reste du travail à accomplir. Le logiciel opère actuellement dans un ensemble de modèles structurels prédéfinis, ou échafaudages, et ne peut pas encore inventer de nouveaux types de connexions à partir de rien. Les versions futures du système pourraient apprendre à générer directement ces règles structurelles à partir des données, élargissant ainsi la gamme des conceptions possibles. De plus, les modèles actuels capturent bien le comportement des processus individuels mais ne tiennent pas encore explicitement compte des effets globaux, tels que la compétition pour les ressources cellulaires, qui peuvent parfois altérer le comportement des circuits. Cependant, le cadre est conçu pour être flexible, et ces limites peuvent être adressées à mesure que le système apprend des données plus complexes.

La capacité de programmer les cellules avec une telle précision transforme le potentiel de la biologie synthétique. Elle fait passer le domaine d'une discipline d'essais et d'erreurs à une discipline de conception rationnelle, où les ingénieurs peuvent spécifier une fonction et recevoir en retour un circuit génétique fonctionnel. Cette capacité est essentielle pour la prochaine génération de thérapies cellulaires, où les cellules doivent être programmées pour détecter et répondre à l'environnement complexe et changeant du corps humain. En exploitant la puissance de calcul analogique native des cellules, cette approche offre une voie pour créer des machines vivantes aussi sophistiquées et adaptables que les systèmes biologiques dont elles sont issues. Ce travail démontre qu'avec les bons outils, nous pouvons enfin parler couramment la langue des cellules, transformant leur complexité naturelle en une ressource programmable pour résoudre certains des défis les plus difficiles de la médecine et de la biologie.

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.

Essayer Digest →