Human-Governed Multi-Agent AI for Biological Hypothesis Generation: An Evidence-Grounded Framework Using JUMP Cell Painting Profiles

La science s'appuie depuis longtemps sur le microscope pour révéler l'architecture cachée de la vie. En observant les cellules sous des lentilles à fort grossissement, les chercheurs peuvent voir comment elles changent de forme, de taille et de structure interne lorsqu'elles sont exposées à différents produits chimiques ou modifications génétiques. Ce langage visuel de la cellule, connu sous le nom de profilage morphologique, est devenu un moyen puissant de cribler de nouveaux médicaments ou de comprendre le fonctionnement des gènes. Imaginez une cellule comme une petite ville complexe ; lorsqu'un bloc de construction spécifique est retiré ou ajouté, l'ensemble du plan de la ville se modifie de manière reconnaissable. Cependant, constater un changement dans le plan de la ville n'explique pas automatiquement pourquoi cela s'est produit ni quelle règle spécifique de la construction de la ville a été enfreinte. Pour transformer une observation visuelle en une découverte scientifique, les chercheurs doivent établir des liens entre ce qu'ils voient et les mécanismes biologiques sous-jacents, une tâche qui exige des preuves rigoureuses plutôt qu'une simple bonne intuition.

Dans une étude récente, les chercheurs Stephen Kamran et Farah Saman ont exploré si l'intelligence artificielle pouvait aider à combler ce fossé. Ils ont testé un nouveau système conçu pour agir comme une équipe de scientifiques numériques, capable d'examiner des images cellulaires, de trouver des faits scientifiques pertinents et de proposer de nouvelles idées sur le fonctionnement des gènes. Le système, qu'ils appellent DISCOVERY-AGENT, a été construit pour être prudent. Au lieu de laisser l'ordinateur faire des affirmations audacieuses de son propre chef, le cadre force l'IA à montrer son travail, à vérifier ses faits par rapport aux connaissances existantes et à soumettre ses meilleures idées à un expert humain pour approbation finale. L'objectif n'était pas de remplacer les scientifiques humains, mais de créer un flux de travail fiable et transparent capable de gérer les quantités massives de données générées par l'imagerie cellulaire moderne et de suggérer des hypothèses testables pour l'avenir.

Les chercheurs ont commencé par alimenter le système avec des données provenant d'un projet public massif appelé JUMP Cell Painting. Ce projet contient des millions d'images de cellules qui ont été traitées avec diverses interventions génétiques, telles que l'extinction ou l'activation de gènes spécifiques. L'équipe s'est concentrée sur un petit ensemble spécifique de ces expériences impliquant neuf gènes différents. Ils ont demandé au système de chercher des modèles : les cellules dont un gène spécifique est désactivé ont-elles un aspect différent des cellules normales ? Les résultats ont été mitigés mais instructifs. Lorsque le système a analysé les cellules où cinq gènes spécifiques étaient désactivés à l'aide d'une technique appelée CRISPR, il a trouvé des changements clairs et statistiquement significatifs pour quatre d'entre eux. Les cellules avaient un aspect distinctement différent, suggérant que les gènes influençaient réellement la structure de la cellule. Cependant, lorsque le système a examiné quatre autres gènes qui étaient activés à l'aide d'une méthode différente appelée ORF, il n'a trouvé aucune preuve claire de changement. Cette distinction était importante ; elle a montré que le système pouvait détecter de réels signaux biologiques, mais elle a également souligné que tout changement génétique ne laisse pas de marque visible sur la forme de la cellule, et que la méthode utilisée pour modifier le gène importe.

Au-delà de la simple observation des images, l'équipe a testé le « cerveau » de son système. Ils voulaient voir si l'IA pouvait prendre une observation visuelle et la combiner avec une vaste bibliothèque de littérature scientifique pour générer une explication plausible. Ils ont mis en place un processus où une partie de l'IA proposait une hypothèse, une seconde partie cherchait des preuves pour la soutenir ou la contredire, et une troisième partie évaluait le degré de confiance que le système devait accorder à sa conclusion. Dans une série de tests impliquant des paires de gènes, le système a généré plusieurs explications potentielles. Cependant, lorsque ces idées ont été vérifiées par rapport aux preuves disponibles, le système a correctement identifié qu'il n'y avait pas assez de preuves pour confirmer l'une d'entre elles comme un mécanisme biologique définitif. En fait, pour chaque paire de gènes testée, le système a conclu que les preuves étaient insuffisantes pour faire une affirmation forte. Ce résultat, bien qu'il puisse sembler être un manque de découverte, était en réalité un succès pour la conception du système. Il a démontré que l'IA pouvait reconnaître les limites de ses propres connaissances et éviter d'inventer des histoires pour combler les lacunes.

Les chercheurs ont également testé la capacité du système à gérer les imprévus techniques du monde réel. Lors d'un essai restreint avec cinq cas différents, le système a rencontré deux erreurs où il n'a pas pu produire de réponse, probablement en raison de problèmes temporaires avec les services en ligne sur lesquels il s'appuyait. Lorsque les chercheurs ont réessayé, le système a parfaitement fonctionné. Ce petit incident et sa récupération ont été documentés non pas comme un échec de la science, mais comme une partie nécessaire de la construction d'un outil robuste. L'étude comprenait également un test séparé pour voir si le système pouvait distinguer différents composés chimiques en fonction de la manière dont ils modifiaient la forme des cellules. Le système a réussi à identifier le composé correct avec un AUC de 0,61 lors d'un test difficile, un résultat supérieur au hasard mais loin d'être parfait. Cette performance modeste a renforcé le message central de l'article : bien que la technologie puisse détecter des modèles, elle n'est pas encore prête à résoudre seule des mystères biologiques complexes.

Tout au long du processus, les chercheurs ont insisté sur la nécessité d'une supervision humaine. Le système a généré trois hypothèses structurées et les a soumises à une critique rigoureuse, mais aucune n'a été approuvée comme une découverte finale. Au lieu de cela, elles ont été marquées comme des idées provisoires nécessitant des tests supplémentaires par des scientifiques humains. L'étude a conclu que, bien que le cadre ait traité avec succès les preuves et suivi des règles strictes, il n'avait pas encore atteint le statut de moteur de découverte autonome. Ce travail sert de modèle pour la manière dont l'intelligence artificielle pourrait un jour assister la science, à condition qu'elle reste ancrée dans les preuves, transparente dans son raisonnement et, en fin de compte, guidée par le jugement humain. Les chercheurs ont clairement indiqué que le chemin vers la véritable découverte nécessite toujours des expériences indépendantes et une validation par des experts, garantissant que les outils du futur servent à éclairer la vérité plutôt qu'à simplement générer une fiction convaincante.