La science s'appuie depuis longtemps sur une hypothèse simple et puissante : la meilleure façon d'apprendre est d'étudier ce qui fonctionne. Lorsqu'un scientifique découvre un nouveau médicament qui guérit une maladie, ou une protéine qui construit une mémoire, ce succès est publié, célébré et ajouté à la vaste bibliothèque du savoir humain. L'intelligence artificielle, l'outil moderne conçu pour trouver des motifs dans cette bibliothèque, a appris à faire de même. Elle scanne des millions d'articles publiés, cherchant des connexions qui ont déjà été confirmées. Mais cette approche présente une faille cachée. En n'étudiant que les gagnants, l'IA manque les perdants. Elle ne voit jamais les expériences qui ont échoué, les idées qui ont été rejetées ou les questions que les scientifiques ont eu trop peur de poser. Cela crée un angle mort, un silence dans les données où les découvertes les plus surprenantes pourraient se cacher.

C'est ce silence que les chercheurs de l'Instituto Venezolano de Investigaciones Científicas ont entrepris de combler. Ils ont développé une nouvelle façon de construire une intelligence artificielle qui ne se contente pas de regarder ce qui est présent, mais qui recherche activement ce qui manque. Leur objectif était de créer un système capable de générer des hypothèses scientifiques en observant l'« espace négatif » — les relations entre les concepts biologiques qui devraient exister mais qui n'ont jamais été documentées. Pour comprendre pourquoi cela importe, il faut d'abord comprendre comment fonctionne la mémoire biologique. Dans le cerveau, les protéines agissent comme des interrupteurs qui activent ou désactivent les gènes, aidant les neurones à stocker de nouvelles informations. Pendant des décennies, les scientifiques se sont presque entièrement concentrés sur la façon dont ces protéines nous aident à nous souvenir. Cependant, le cerveau a aussi besoin d'oublier. Si nous nous souvenions de chaque détail de nos vies, nos esprits seraient submergés. Des recherches récentes suggèrent que l'oubli est un processus actif, une équipe de nettoyage nécessaire qui élimine les connexions inutiles pour faire de la place à un nouvel apprentissage. Pourtant, les mécanismes spécifiques qui dirigent cet oubli actif restent largement mystérieux, notamment en ce qui concerne la manière dont différentes formes de cellules cérébrales, au-delà des simples neurones, pourraient être impliquées.

L'équipe, dirigée par Lenin González-Paz et ses collègues, a construit un protocole en trois étapes pour découvrir ces mécanismes cachés. Ils n'ont pas simplement demandé à l'ordinateur de lire plus d'articles ; ils lui ont appris à chercher les lacunes. La première étape consistait à cartographier l'ensemble du paysage connu d'un groupe spécifique de protéines appelées CPEB3 et CPEB4. Ces protéines sont connues pour être impliquées dans la mémoire, mais la carte que les chercheurs ont construite montrait quelque chose d'étrange. Bien que la carte soit pleine de connexions entre ces protéines et les neurones, elle était complètement vide dans d'autres zones. L'ordinateur a calculé un score pour chaque connexion possible qui manquait. Il a découvert que la relation entre ces protéines de la mémoire et d'autres types de cellules cérébrales, telles que les astrocytes et la microglie, constituait un immense angle mort. De même, la connexion entre ces protéines et l'état de sommeil, ou le processus d'oubli actif, était pratiquement inexistante dans la littérature publiée. Le système a identifié quatre domaines spécifiques où la communauté scientifique avait simplement cessé de chercher.

La deuxième étape du protocole était encore plus radicale. Les chercheurs ont soumis à l'ordinateur un type de données différent : les « données sombres ». Celles-ci comprenaient des articles scientifiques qui ont été écrits mais jamais publiés, des expériences qui ont échoué et ont été écartées, et des essais cliniques qui n'ont pas atteint leurs objectifs. Dans le monde de la science, cette information est souvent enterrée ou ignorée parce qu'elle ne raconte pas une histoire de succès. L'ordinateur a analysé ces données rejetées pour trouver des modèles dans ce que les scientifiques avaient tenté et abandonné. Il a découvert que certains sujets, comme le rôle du sommeil dans le traitement de la mémoire ou l'implication de cellules non neuronales, apparaissaient fréquemment dans ces études échouées ou non publiées. Le système a conclu que ces sujets étaient systématiquement supprimés ou négligés dans la littérature dominante, non pas parce qu'ils étaient sans importance, mais parce qu'ils étaient difficiles à prouver ou ne correspondaient pas au récit actuel.

Dans la dernière étape, les chercheurs ont combiné ces deux découvertes. Ils ont demandé à l'ordinateur de générer une nouvelle idée scientifique reliant les pièces manquantes de la première étape avec les modèles supprimés de la seconde. Le résultat fut une hypothèse audacieuse et testable qui défiait la compréhension actuelle du fonctionnement de la mémoire. L'ordinateur a proposé que les protéines CPEB3 et CPEB4 ne travaillent pas seulement à l'intérieur des neurones pour nous aider à nous souvenir. Au lieu de cela, il a suggéré que ces protéines opèrent à l'intérieur des astrocytes, un type de cellule de soutien dans le cerveau, pendant le sommeil. Dans ce scénario, les protéines aident à dégrader des connexions spécifiques en collaboration avec la microglie, les cellules immunitaires du cerveau, pour effacer activement les souvenirs non pertinents. Cette idée n'était pas une simple supposition ; le système l'a soumise à une série de filtres stricts pour s'assurer qu'elle était physiquement possible, logiquement cohérente et capable d'être testée en laboratoire réel. L'hypothèse a passé tous les tests, obtenant un score élevé pour sa capacité à bousculer le consensus actuel tout en restant scientifiquement viable.

Les chercheurs ont ensuite comparé ce que leur nouveau système avait trouvé par rapport à ce qu'une IA traditionnelle aurait suggéré. Une IA standard, entraînée uniquement sur les succès publiés, aurait probablement proposé une amélioration mineure et incrémentale de la théorie existante, telle que la façon dont ces protéines aident les neurones à renforcer les souvenirs pendant que nous sommes éveillés. Le système contre-inductif, cependant, a pointé dans une direction totalement différente. Il a déplacé l'attention des neurones vers les cellules de soutien, des heures d'éveil vers le sommeil, et du souvenir vers l'oubli. L'équipe a validé sa méthode en démontrant que les angles morts identifiés étaient effectivement des lacunes réelles dans les connaissances actuelles, et que les caractéristiques supprimées trouvées correspondaient aux biais connus des experts du domaine. L'hypothèse générée est maintenant prête pour une expérimentation, offrant une voie concrète pour étudier comment le cerveau fait son ménage pendant notre sommeil.

Ce travail représente un changement fondamental dans la façon dont nous pouvons utiliser l'intelligence artificielle pour la découverte. Au lieu d'agir comme un miroir qui ne reflète que ce que nous savons déjà, ce nouveau protocole transforme l'ordinateur en un outil d'exploration de l'inconnu. Il démontre qu'en prêtant attention à ce qui manque et à ce qui a été rejeté, les scientifiques peuvent trouver les questions qui comptent le plus. Les chercheurs ont fourni un guide clair, étape par étape, que d'autres peuvent suivre, prouvant que les données les plus précieuses en science ne sont peut-être pas les résultats qui ont fait la une des journaux, mais le silence qui les entoure. En apprenant des avions qui se sont écrasés, et pas seulement de ceux qui sont revenus, cette approche offre une nouvelle façon de naviguer dans le vaste territoire inexploré du cerveau humain.