Données et IA en biologie : trois questions pour transformer la médecine

La biologie n’a jamais disposé d’autant d’informations sur le vivant. Une séquence d’ADN, une image de cellule, l’activité de milliers de gènes ou un dossier de santé électronique peuvent désormais devenir des données analysables. Ce changement d’échelle ouvre des perspectives considérables pour comprendre les maladies, mais il pose une question plus exigeante qu’il n’y paraît : comment transformer cette masse de mesures en connaissances biologiques utiles ?

L’intelligence artificielle, et plus précisément l’apprentissage automatique, apporte une partie de la réponse. Ces méthodes excellent à reconnaître des régularités dans des ensembles de données très vastes et très hétérogènes. Or, la recherche biomédicale ne cherche pas seulement à repérer des régularités. Elle veut savoir ce qui provoque un phénomène, quelles cellules sont concernées, quel gène agit sur quel mécanisme et, à terme, quelles interventions peuvent modifier l’évolution d’une maladie.

Trois interrogations structurent donc cette révolution des données : que mesurons-nous réellement, comment passer des corrélations aux causes, et à quoi pourrait ressembler un modèle de fondation pour la biologie ? Les réponses détermineront la valeur scientifique, médicale et éthique des outils d’IA déployés dans les sciences du vivant.

Un changement d’échelle pour les sciences du vivant

La première transformation est matérielle : les chercheurs disposent de jeux de données qui auraient été difficiles à produire, stocker ou comparer il y a encore quelques années. Le séquençage de l’ADN fournit une lecture détaillée de l’information génétique. L’imagerie moléculaire renseigne sur l’organisation et l’état des cellules. La génomique à cellule unique permet, elle, de profiler des populations comprenant des millions de cellules, au lieu de se limiter à une mesure moyenne sur un tissu entier.

Cette granularité est importante. Deux cellules situées dans un même organe peuvent ne pas exprimer les mêmes gènes, ne pas occuper la même fonction et ne pas réagir de la même manière à une perturbation. En étudiant ces différences, les biologistes peuvent décrire plus finement la diversité du vivant, y compris dans les contextes où une maladie modifie progressivement des populations cellulaires.

Les données de santé électroniques ajoutent une autre dimension. Elles peuvent réunir des informations liées aux soins, aux caractéristiques des patients et à leur parcours médical. Leur intérêt ne réside pas dans leur seule accumulation : il tient à la possibilité de relier, avec prudence, plusieurs niveaux d’observation, de la molécule à la cellule, puis de la cellule au patient.

Première question : comment donner du sens à des données aussi diverses ?

Les données biologiques ne se présentent pas toutes sous la même forme. Une séquence génétique est une succession de caractères. Une image cellulaire est une information spatiale. Un dossier clinique rassemble des données de natures diverses. Les analyser ensemble constitue un défi, mais aussi l’une des promesses les plus fortes de l’IA appliquée à la recherche biomédicale.

Les progrès récents des grands modèles de langage donnent un repère utile. Des architectures comme BERT et GPT-3 ont marqué l’analyse automatique du langage en apprenant, à partir de très grands corpus, des relations entre des éléments de texte. En biologie, l’idée est d’adapter ce type de stratégie à des séquences génomiques ou protéiques, dont les éléments peuvent être étudiés comme des unités porteuses d’information.

La comparaison a cependant ses limites. Une langue résulte de conventions humaines et son sens se manifeste notamment dans la communication. Une séquence biologique est inscrite dans un organisme, une cellule, un environnement et une histoire évolutive. Son interprétation dépend aussi de phénomènes physiques et chimiques. Un modèle ne peut donc pas se contenter d’associer des fragments de séquence entre eux : il doit, autant que possible, être confronté à des mesures expérimentales et à des contextes biologiques variés.

C’est là qu’intervient la notion de données multimodales. Associer une séquence protéique à une image cellulaire, par exemple, peut fournir un tableau plus riche que l’analyse de chaque source isolément. Cette intégration demande toutefois des méthodes adaptées : les données n’ont pas la même résolution, n’ont pas été produites de la même manière et ne répondent pas toujours à la même question scientifique.

Deuxième question : pourquoi les corrélations ne suffisent-elles pas ?

Repérer un motif est une étape utile, mais elle ne répond pas à la question centrale de nombreuses recherches : qu’arriverait-il si l’on modifiait délibérément un élément du système biologique ? Si l’activité d’un gène est fréquemment observée en même temps qu’un état cellulaire, cette association ne prouve pas que le gène en est la cause. Les deux phénomènes peuvent dépendre d’un troisième facteur, ou résulter d’un mécanisme plus complexe.

C’est toute la différence entre prédiction et causalité. Un modèle peut anticiper qu’un profil ressemble à un autre profil déjà observé. Pour guider une intervention, les chercheurs veulent en revanche savoir si une action précise, telle que la perturbation d’un gène, modifiera effectivement des processus cellulaires liés. Cette inférence causale est particulièrement difficile à établir à partir de seules données observationnelles.

Les technologies d’intervention génétique, dont CRISPR, changent la nature des données disponibles. Elles permettent de perturber des gènes et d’observer les conséquences de ces modifications, y compris à grande échelle. Ces expériences apportent des informations beaucoup plus proches de la question causale : elles ne décrivent pas seulement ce qui coexiste dans une cellule, elles testent ce qui se produit après une intervention définie.

Cette évolution ne dispense pas de rigueur. Une intervention peut produire plusieurs effets, les systèmes biologiques sont interdépendants et les résultats peuvent varier selon le type cellulaire ou le contexte expérimental. L’enjeu n’est donc pas de remplacer l’expérimentation par un algorithme, mais de mieux choisir les expériences, de mieux interpréter leurs résultats et d’explorer des hypothèses difficiles à traiter manuellement.

Troisième question : faut-il un grand modèle de fondation pour la biologie ?

Les modèles de fondation sont conçus pour apprendre des représentations générales à partir de volumes très importants de données, puis être adaptés à plusieurs tâches. Dans le langage, ChatGPT est devenu l’exemple le plus visible de cette approche auprès du grand public. En biologie, l’ambition serait de disposer de modèles capables de mobiliser des données de séquences, d’images, de mesures cellulaires et, potentiellement, d’autres modalités dans un cadre cohérent.

À ce stade, aucun modèle holistique ne s’est imposé comme un équivalent biologique de ChatGPT. Le besoin est pourtant largement identifié : les chercheurs souhaitent des outils qui ne soient pas limités à une seule tâche, une seule maladie ou un seul type de donnée. Une telle plateforme pourrait aider à formuler des prédictions sur des séquences, des cellules ou des interactions biologiques qui n’ont pas encore été observées directement.

Plusieurs obstacles restent à franchir. Il faut déterminer quelles données sont nécessaires pour apprendre des représentations réellement utiles. Il faut aussi améliorer l’efficacité d’échantillonnage, autrement dit obtenir des résultats robustes sans exiger des quantités irréalistes de nouvelles expériences. Enfin, l’intégration d’outils combinatoires dans une théorie solide demeure essentielle : un modèle très performant en prédiction n’est pas nécessairement un modèle qui explique correctement un mécanisme.

Cette différence est décisive pour la science. Une réponse plausible produite par une IA peut orienter une recherche. Elle ne devient une connaissance fiable que si elle peut être contrôlée, reproduite et confrontée à l’expérience.

PUPS et MORPH, deux pistes pour relier données et expériences

Le Schmidt Center illustre cette recherche d’outils plus intégrés. Parmi ses projets figure PUPS, un modèle destiné à prédire la localisation subcellulaire de protéines qui n’ont pas été observées. Il combine des données issues des séquences protéiques et des images cellulaires.

La localisation d’une protéine dans la cellule est une information précieuse pour comprendre sa fonction possible. Savoir si elle se trouve dans une zone plutôt qu’une autre peut aider à émettre des hypothèses sur les mécanismes biologiques auxquels elle participe et, dans certains cas, sur les processus pathologiques concernés. PUPS ne remplace pas la validation en laboratoire, mais il peut offrir des prédictions susceptibles d’orienter cette validation.

Un autre exemple cité est MORPH, une méthode qui identifie des interactions génétiques et guide la conception d’expériences de perturbation. Son intérêt est représentatif d’une nouvelle étape de l’IA scientifique : utiliser les résultats et les incertitudes d’un modèle pour décider quelle expérience devrait être menée ensuite.

Ce mouvement rapproche davantage calcul et expérimentation. Au lieu d’opposer l’IA aux méthodes classiques de laboratoire, il s’agit de les faire travailler ensemble. Les données alimentent le modèle, le modèle propose des pistes, puis l’expérience permet d’évaluer ou de corriger ces propositions.

Du laboratoire au diagnostic : quelles promesses pour les patients ?

L’IA peut également contribuer au dépistage et au diagnostic des maladies. Des algorithmes d’apprentissage automatique sont capables d’analyser des motifs complexes provenant de plusieurs sources d’information sur les patients. Cette capacité peut faciliter la stratification des risques, c’est-à-dire l’identification de groupes de patients dont les besoins de prévention, de surveillance ou d’intervention diffèrent.

L’objectif est souvent associé à la médecine de précision : mieux adapter les décisions aux caractéristiques biologiques et cliniques d’une personne. Mais une prédiction algorithmique, même statistiquement solide, ne vaut pas à elle seule une décision médicale. Elle doit être interprétée dans son contexte, confrontée aux autres informations disponibles et évaluée avec soin avant toute utilisation clinique.

Les biais constituent une vigilance majeure. Si les données employées ne représentent pas correctement certaines populations, ou si elles reflètent des différences de prise en charge et de mesure, un modèle peut reproduire ou amplifier ces écarts. La transparence des méthodes, la qualité des jeux de données et l’évaluation des performances selon des groupes pertinents sont donc aussi importantes que la puissance technique du modèle.

Ce qu’il faut surveiller

La révolution des données en biologie ne se résume pas à une course au volume. Les avancées les plus utiles seront celles qui relieront des données de qualité, des modèles interprétables et des expériences capables de tester les mécanismes proposés. La priorité est de passer de la reconnaissance de motifs à des hypothèses causales suffisamment solides pour guider la recherche.

Dans les prochaines étapes, plusieurs sujets mériteront une attention particulière : la capacité des modèles à combiner séquences, images et mesures cellulaires, la fiabilité de leurs prédictions sur des données nouvelles, et leur aptitude à orienter des expériences de perturbation pertinentes. En médecine, la question sera tout aussi concrète : ces systèmes améliorent-ils réellement l’identification des risques et les décisions, sans renforcer les biais existants ?

L’IA peut accélérer l’exploration d’une biologie devenue trop vaste pour être analysée uniquement à la main. Son rôle le plus prometteur n’est pas de fournir des réponses définitives, mais d’aider les scientifiques et les soignants à poser de meilleures questions, puis à les vérifier avec la rigueur que réclame le vivant.