AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

La plupart du temps, lorsque nous utilisons l'intelligence artificielle pour comprendre la biologie, nous lui demandons de regarder vers l'avant. Nous nourrissons un ordinateur avec une image de l'état de santé actuel d'un patient ou un instantané de la propagation d'un virus dans une ville, et nous demandons à la machine de prédire ce qui va se passer ensuite. Le taux de glycémie de cette personne va-t-il augmenter demain ? Le nombre d'infections va-t-il augmenter le mois prochain ? Cette approche prospective est devenue la norme pour la médecine moderne et la santé publique. C'est un moyen puissant de prévoir les risques, mais cela laisse une question cruciale sans réponse. Un médecin ou un décideur politique a rarement besoin de savoir seulement ce qui va arriver ; il a besoin de savoir ce qu'il faut faire pour qu'un événement différent se produise. Il doit savoir exactement quelle quantité d'insuline administrer, ou à quel point un confinement doit être strict, pour orienter un système vers un résultat spécifique et souhaité.

C'est la différence entre regarder une rivière couler et savoir quels rochers déplacer pour changer son cours. Pendant des décennies, les scientifiques ont tenté de construire des « jumeaux numériques » — des copies virtuelles de patients ou de populations qui imitent la vie réelle si étroitement qu'ils peuvent être testés avec différents traitements. Cependant, ces jumeaux numériques échouent souvent parce qu'ils sont construits sur des moyennes. Ils décrivent comment une personne typique réagit, et non comment un individu spécifique réagit à une action spécifique. Si un modèle n'a jamais vu un médicament particulier dans ses données d'entraînement, il ne peut pas vous dire de manière fiable ce que ce médicament fera pour un patient spécifique, même s'il donne une réponse qui semble assurée. Le résultat est un système qui peut bien prédire, mais qui ne peut pas guider l'action en toute sécurité.

Une nouvelle étude de Maurice Antony Ewing propose une autre façon de concevoir ces modèles informatiques. Au lieu de construire un jumeau qui imite une personne, l'auteur traite le modèle d'IA entraîné comme un « primitif biologique ». C'est un concept plus simple : le modèle n'est pas une réplique de l'histoire entière d'une personne, mais un enregistrement appris de la façon dont un système a réellement répondu aux choses qui lui ont été faites par le passé. Si les données montrent qu'une quantité spécifique d'exercice a fait baisser la glycémie chez un groupe de personnes, le modèle apprend cette relation spécifique. Le chercheur retourne ensuite le modèle. Au lieu de demander : « Que se passe-t-il si je fais ceci ? », on demande au modèle : « Quelle quantité de cette action nous permettra d'atteindre ce but ? » Ce processus, appelé inversion ciblée, recherche les niveaux précis d'intervention nécessaires pour déplacer un système vers un état cible, mais uniquement en utilisant les leviers que les données soutiennent réellement.

Pour tester si cette idée fonctionne dans le monde réel, l'étude a appliqué la méthode à trois systèmes biologiques très différents : la physiologie individuelle de personnes atteintes de diabète de type 1, la dynamique de population de la pandémie de COVID-19, et les réponses microscopiques des neurones dans le cerveau. Les chercheurs ont commencé par entraîner des modèles d'IA standards pour prédire les états futurs dans chacun de ces domaines. Pour les données sur le diabète, les modèles ont appris à prédire les futurs niveaux de glucose sanguin en fonction de l'insuline, de l'alimentation et de l'activité passées. Pour les données de la pandémie, ils ont appris à prédire les futurs chiffres de cas en fonction de politiques telles que les confinements et les taux de dépistage. Pour les données cérébrales, ils ont appris comment les neurones émettent des influx en réponse à des stimuli visuels spécifiques. Ces modèles prospectifs étaient hautement précis, prouvant qu'ils avaient appris les schémas sous-jacents des données.

Une fois les modèles entraînés, les chercheurs leur ont demandé de travailler à rebours. Ils ont fixé une cible — par exemple, un taux de glycémie sûr pour un patient diabétique ou un nombre plus faible d'infections pour une ville — et ont demandé au modèle de trouver la combinaison spécifique d'actions qui permettrait d'y parvenir. Dans le groupe diabète, qui comprenait 400 cas à haut risque, la méthode a été remarquablement efficace. Lorsque les chercheurs ont demandé au modèle de trouver la bonne quantité d'activité physique seule, il a réduit l'écart entre l'état actuel du patient et la cible de 76,5 %. Lorsqu'ils ont demandé la bonne quantité d'insuline seule, l'écart a diminué de 60,6 %. Lorsqu'ils ont permis au modèle de combiner l'activité et l'insuline, tout en maintenant les suggestions dans des limites cliniques sûres, l'écart a été réduit de 87,8 %. S'ils avaient supprimé ces limites de sécurité et laissé le modèle chercher librement, il aurait trouvé des solutions qui réduisaient l'écart de 96,4 %. Dans presque tous les cas, le modèle a trouvé un moyen de rapprocher le système de l'objectif.

Les résultats étaient légèrement plus modestes mais restaient cohérents lorsqu'ils étaient appliqués à l'échelle plus large de la pandémie de COVID-19. Ici, l'objectif était de réduire la charge des cas futurs. Lorsque le modèle a cherché le bon niveau de mesures de confinement, il a réduit l'écart projeté de 17,9 %. Le dépistage seul a aidé à hauteur de 5,8 %, et la vaccination à 3,8 %. Cependant, lorsque le modèle a combiné ces trois stratégies, il a réduit l'écart de 25,1 %. Cette différence met en évidence une conclusion clé : si une action isolée peut aider, la dynamique complexe d'une pandémie est façonnée par la combinaison de nombreux facteurs travaillant ensemble. La méthode a montré que les problèmes au niveau de la population nécessitent un mélange d'interventions plutôt qu'une solution miracle unique.

La partie la plus surprenante de l'étude est peut-être l'ampleur de ce que les chercheurs ont pu accomplir sans chercher à travers toutes les combinaisons possibles d'actions. Dans le monde réel, il existe des milliers de traitements ou de politiques potentiels, mais beaucoup d'entre eux ne sont pas soutenus par les données disponibles. L'étude a testé une approche « compacte », où le modèle était restreint à une recherche uniquement à travers une liste restreinte et organisée d'interventions connues pour être plausibles et effectivement enregistrées dans les données. Pour les cas de diabète, cette liste compacte a récupéré 79,0 % de l'amélioration possible vers la cible. La recherche complète et non restreinte n'a ajouté que 2,2 % d'amélioration supplémentaire. Pour les données de la pandémie, la liste compacte a récupéré 85,9 % de l'amélioration, la recherche complète n'ajoutant que 0,5 %. Cela suggère que nous n'avons pas besoin de deviner de manière sauvage ou de chercher parmi des millions d'options impossibles pour trouver des solutions efficaces. Nous devons seulement regarder les actions que nous savons exister et pour lesquelles nous avons des données.

L'étude a également démontré une caractéristique de sécurité critique de cette approche : le modèle refuse d'inventer des solutions qu'il ne peut soutenir. Dans le groupe diabète, les chercheurs ont tenté de demander au modèle de trouver des solutions impliquant certains médicaments, tels que la metformine ou les médicaments GLP-1. Comme les données originales pour ces patients ne comprenaient pas les dossiers de ces médicaments spécifiques, le modèle les a simplement ignorés. Il n'a pas halluciné un résultat ou prétendu savoir ce qui se passerait. Il a renvoyé une réponse nulle, indiquant qu'il ne pouvait pas cibler ces leviers spécifiques. Cela contraste fortement avec de nombreux systèmes d'IA actuels, qui pourraient suggérer avec assurance un traitement même s'ils n'ont jamais vu de données à ce sujet. L'approche « primitive » est ancrée dans ce que les données contiennent réellement, ce qui en fait un outil plus sûr pour la prise de décision.

La même logique a été appliquée au cerveau. En utilisant les données de l'Allen Brain Observatory, qui contient plus de 1,2 million d'observations sur la façon dont les neurones réagissent à la lumière, les chercheurs ont construit un primitif qui a appris comment des cellules spécifiques réagissent aux stimuli. Ils ont pu demander au modèle quel niveau de stimulus déplacerait un neurone vers un certain mode de décharge. Cela a montré que la méthode fonctionne non seulement pour des personnes entières ou des populations entières, mais aussi pour les plus petites unités de la biologie. Le neurone, le patient et la ville sont tous traités comme des systèmes qui répondent à des entrées, et le modèle apprend la carte de ces réponses.

L'auteur prend soin de préciser qu'il s'agit d'une méthode d'enquête, et non d'une prescription finale. Les résultats proviennent de l'examen rétrospectif des données historiques, et non de la conduite de nouveaux essais cliniques. Le modèle identifie les niveaux d'intervention qui déplaceraient un système vers une cible en se basant sur les comportements passés, mais il ne prouve pas que ces interventions fonctionneront dans un nouvel environnement réel. C'est un moyen de réduire les possibilités et de trouver les voies les plus prometteuses à explorer. L'étude soutient qu'en traitant l'IA comme un primitif biologique qui peut être interrogé en sens inverse, les scientifiques peuvent aller au-delà de la simple prédiction. Au lieu de simplement demander ce qui va se passer, ils peuvent demander quel niveau d'action est nécessaire pour qu'un événement se produise, à condition de s'en tenir aux leviers que les données soutiennent. Ce passage de la prédiction du futur au ciblage du présent offre une manière plus ancrée et pratique d'utiliser l'intelligence artificielle en médecine et en santé publique.