On the emergence of in silico biology for intervention in living systems
Cet article soutient que l'avancement de la biologie *in silico* pour l'intervention sur les systèmes vivants nécessite de dépasser les limites actuelles fondées sur les données en adoptant une perspective systémique qui intègre des représentations multi-échelles cohérentes, l'inférence causale et une validation itérative computationnelle-expérimentale afin de combler le fossé entre la corrélation et le mécanisme biologique.
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
Le corps humain est un système vaste et interconnecté où les molécules, les cellules et les tissus communiquent constamment pour maintenir la santé ou engendrer la maladie. Depuis des décennies, les scientifiques tentent de cartographier ces connexions, recueillant des quantités phénoménales de données sur les gènes, les protéines et les comportements cellulaires. Ces données sont comme une bibliothèque de clichés instantanés, montrant ce qui est présent à un instant T. Cependant, savoir ce qui existe est différent de savoir comment cela fonctionne. Pour véritablement comprendre la biologie, les chercheurs doivent être capables de prédire ce qui se passera s'ils modifient une partie spécifique du système, comme l'activation ou la désactivation d'un gène, ou l'introduction d'un nouveau médicament. C'est la différence entre observer le débit d'une rivière et prédire comment l'eau réagira si l'on construit un barrage. Le domaine de la biologie computationnelle s'est développé rapidement, utilisant des ordinateurs puissants pour trouver des motifs dans ces données, mais un obstacle majeur subsiste : les ordinateurs sont actuellement très doués pour décrire ce qu'ils voient, mais ils peinent à comprendre les règles de cause à effet qui régissent la vie.
Une nouvelle perspective proposée par des chercheurs de l'Université de Calgary soutient que la voie à suivre nécessite un changement fondamental dans notre manière de construire ces modèles informatiques. Les auteurs, James Colter, Nicole Rosin, Jeff Biernaskie et Nils Daniel Forkert, suggèrent que l'approche actuelle est trop fragmentée. Ils affirment que le simple fait d'injecter davantage de données dans des systèmes d'intelligence artificielle plus vastes et plus complexes ne résoudra pas le problème si les modèles ne reflètent pas la structure réelle de la biologie. Au lieu de cela, ils appellent à une nouvelle ère de « biologie in silico », où les systèmes informatiques sont conçus pour apprendre les règles causales de la vie, et non seulement les motifs statistiques. Cela signifie construire des modèles capables de distinguer une coïncidence d'une véritable cause, et capables de prédire comment un système vivant réagira à une intervention, même dans des situations que l'ordinateur n'a jamais rencontrées auparavant.
Les chercheurs identifient trois défis spécifiques qui doivent être relevés pour que cette vision devienne réalité. Le premier est le problème de la représentation. Les données biologiques sont souvent incomplètes et proviennent de sources très diverses, telles que des séquences génétiques, des images microscopiques et des dossiers de patients. Ces fragments d'information sont comme les pièces d'un puzzle qui ne s'emboîtent pas toujours parfaitement. Les méthodes actuelles tentent souvent de forcer ces fragments dans une image unique en supposant qu'ils sont liés, mais cela peut masquer les véritables règles de fonctionnement des cellules. Les auteurs soutiennent que nous avons besoin de modèles capables de comprendre le contexte de ces mesures, reconnaissant qu'un gène peut agir d'une manière dans un tissu sain et d'une manière totalement différente dans un tissu malade. Sans ce contexte, l'ordinateur ne peut pas faire la distinction entre une règle qui est toujours vraie et un motif qui n'apparaît que par hasard dans une situation spécifique.
Le second défi est le problème de la causalité. Même si un ordinateur peut décrire un état biologique avec précision, il doit également être capable de prédire comment cet état changera lorsqu'un élément est modifié. C'est le cœur de l'intervention médicale. Si un médecin veut traiter une maladie, il doit savoir que modifier une cible spécifique mènera à une guérison, et non simplement à un changement temporaire des symptômes. L'article souligne que de nombreux modèles actuels sont entraînés sur des données observationnelles, qui ne montrent que ce qui se produit naturellement. Ces modèles sont excellents pour deviner la suite d'une séquence familière, mais ils échouent souvent lorsqu'on leur demande d'imaginer un scénario qui n'a jamais été observé. Par exemple, un modèle peut savoir qu'une certaine protéine est élevée chez un patient malade, mais il ne peut pas prédire de manière fiable ce qui se passera si l'on diminue cette protéine, car il n'a pas appris le mécanisme sous-jacent qui lie la protéine à la maladie. Les auteurs insistent sur le fait que sans tester ces prédictions face à des changements réels, nous ne pouvons pas être certains que l'ordinateur a appris les règles de la vie ou s'il a simplement mémorisé les données.
Le troisième obstacle est le problème de l'intervention, qui consiste à valider ce que l'ordinateur pense savoir. Un modèle n'est utile que si ses prédictions peuvent être testées et confirmées dans un système vivant. Les chercheurs notent que de nombreux tests de référence (benchmarks) utilisés pour évaluer ces modèles sont défectueux car ils ne tiennent pas compte de la complexité de la biologie réelle. Ils démontrent que certains modèles informatiques avancés performent bien sur des tâches simples, comme le regroupement de cellules similaires, mais échouent lorsqu'on leur demande de prédire le résultat d'un traitement médicamenteux spécifique ou d'une modification génétique. L'article souligne que l'accord avec les données existantes ne suffit pas ; le modèle doit être capable d'expliquer pourquoi un changement se produit et de prédire comment le système va compenser ce changement. Par exemple, si une cellule est poussée à changer, elle possède souvent des systèmes de secours qui tentent de la stabiliser. Un bon modèle doit comprendre ces défenses cachées pour prédire le résultat réel d'une intervention.
Les auteurs soutiennent que la solution ne réside pas dans le fait de rendre les modèles informatiques plus grands ou plus complexes, mais dans le fait de les concevoir pour qu'ils respectent l'architecture de la biologie. Ils suggèrent que nous devons combiner différents types d'apprentissage, en utilisant à la fois les données brutes et les règles biologiques établies pour guider l'ordinateur. Cette approche permettrait aux modèles de combler les lacunes là où les données manquent et de comprendre comment les différentes parties du corps interagissent à travers différentes échelles, des molécules aux organismes entiers. L'article suggère que la prochaine frontière n'est pas de trouver un algorithme parfait unique, mais de créer un système cohérent capable de passer de manière fluide entre l'observation, la prédiction et l'expérimentation. En itérant entre ce que l'ordinateur prédit et ce qui se passe réellement en laboratoire, les scientifiques peuvent affiner leur compréhension des règles qui régissent la vie.
En fin de compte, ce travail constitue un appel à l'action pour la communauté scientifique afin de repenser son approche de la modélisation biologique. Les auteurs pensent que la séparation entre la description des données, la compréhension de la cause et le test des interventions a freiné le domaine. Ils proposent qu'en intégrant ces trois éléments dans un cadre unique et cohérent, nous pourrons construire des systèmes informatiques qui font plus que simplement analyser des données. Ces systèmes pourraient, à terme, guider la conception de nouvelles thérapies et nous aider à comprendre comment orienter les systèmes vivants vers la santé. La voie à suivre exige un équilibre prudent entre la puissance de l'intelligence artificielle et la connaissance contextuelle profonde du fonctionnement réel de la biologie, garantissant que nos outils numériques soient ancrés dans la réalité du monde vivant.
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.