La révolution apportée par l'intelligence artificielle en biologie et en médecine ouvre un nouveau chapitre crucial. Au cours des dernières années, nous avons assisté à l'essor d'outils puissants, appelés modèles de langage protéique, qui ont fondamentalement changé la manière dont les scientifiques abordent la recherche de médicaments, le développement de vaccins et la compréhension des fondements mêmes de la vie. Ces systèmes sophistiqués, basés sur l'architecture des grands modèles de langage (LLM) comme ceux qui alimentent les chatbots populaires, ont démontré une capacité étonnante à prédire la structure et la fonction des protéines avec une précision incroyable. Malgré leur succès, un problème fondamental restait non résolu et constituait un obstacle de taille : leur opacité totale. Les scientifiques obtenaient des réponses extrêmement précises, mais n'avaient aucune idée de la manière dont le modèle était parvenu à ces conclusions. Ils travaillaient avec une sorte de « boîte noire », ce qui limitait la confiance et la possibilité d'améliorations futures.

Une étude récente, issue d'un laboratoire du prestigieux Massachusetts Institute of Technology (MIT), marque un tournant dans la résolution de ce problème. L'équipe de recherche a appliqué avec succès une technique innovante qui, pour la première fois, permet aux scientifiques de jeter un coup d'œil à l'intérieur de cette « boîte noire » et de déterminer avec précision les caractéristiques des protéines que l'intelligence artificielle prend en compte pour faire ses prédictions. Cette avancée non seulement accroît la transparence et l'explicabilité des modèles d'IA, mais ouvre également la voie au développement accéléré de nouvelles thérapies et à une meilleure compréhension des processus biologiques complexes.

Décoder la « boîte noire » : Comment l'IA prend ses décisions

Comprendre le processus de prise de décision au sein de ces modèles est essentiel pour leur application future. L'équipe du MIT, dirigée par Onkar Gujral en tant qu'auteur principal et sous la direction de Bonnie Berger, une éminente professeure de mathématiques et responsable du groupe d'informatique et de biologie, a développé une méthode qui démystifie le fonctionnement interne des modèles de langage protéique. Leurs travaux, publiés dans la prestigieuse revue scientifique Proceedings of the National Academy of Sciences, ont le potentiel de transformer la manière dont ces outils puissants sont utilisés dans la recherche biomédicale.

Les modèles de langage protéique, dont les fondations ont été posées dès 2018 par la professeure Berger et son étudiant de l'époque, Tristan Bepler, fonctionnent en analysant de vastes bases de données de séquences d'acides aminés, de la même manière que les modèles de langage analysent du texte. En apprenant les schémas et les relations entre les acides aminés, ils peuvent prédire la structure tridimensionnelle d'une protéine et sa fonction biologique. Ce sont précisément ces modèles qui ont été la clé du développement rapide d'outils révolutionnaires tels qu'AlphaFold, ESM2 et OmegaFold. Cependant, le problème résidait dans le fait que l'information au sein du modèle était codée de manière très dense et incompréhensible. Les scientifiques pouvaient voir le résultat final, mais pas le chemin qui y avait mené. C'était comme avoir un étudiant de génie qui résout toujours correctement le problème de mathématiques le plus complexe, mais qui ne peut jamais vous montrer son raisonnement.

Une technique innovante qui apporte de la lumière dans l'obscurité

Pour résoudre ce problème, les chercheurs du MIT se sont tournés vers un algorithme connu sous le nom d'« auto-encodeur parcimonieux » (sparse autoencoder). C'est la première fois qu'une telle approche est appliquée avec succès aux modèles de langage protéique. Le principe de fonctionnement est élégant et puissant. Dans les modèles standard, l'information sur une protéine spécifique est codée par l'activation d'un nombre relativement restreint de « nœuds » au sein du réseau neuronal, par exemple 480. Dans une représentation aussi dense, chaque nœud individuel doit coder simultanément plusieurs caractéristiques différentes de la protéine, ce qui rend l'interprétation pratiquement impossible.

L'auto-encodeur parcimonieux fonctionne à l'inverse : il élargit considérablement l'espace de représentation. Au lieu de 480 nœuds, le modèle utilise désormais, par exemple, 20 000 nœuds. En même temps, l'algorithme introduit une « contrainte de parcimonie » qui garantit que seul un petit nombre de ces nœuds est activé pour décrire la protéine. Cela permet à l'information, qui était auparavant compressée, d'être « étalée ». La conséquence est qu'une caractéristique spécifique unique d'une protéine, qui était auparavant codée sur plusieurs nœuds différents, peut désormais occuper son propre nœud unique. « Dans une représentation parcimonieuse, les neurones qui s'activent le font de manière plus significative », explique Gujral. Avant cette méthode, les réseaux compressaient l'information si étroitement qu'il était impossible de déchiffrer le rôle des neurones individuels.

Le rôle de l'intelligence artificielle dans son auto-interprétation

Après avoir obtenu ces représentations « purifiées » et parcimonieuses pour des milliers de protéines différentes, les scientifiques ont été confrontés à un nouveau défi : comprendre ce que signifie chacun de ces nœuds activés. À cette fin, ils ont fait appel à une autre intelligence artificielle, un assistant connu sous le nom de Claude. La tâche de Claude était de comparer les représentations parcimonieuses avec les caractéristiques déjà connues de chaque protéine, telles que sa fonction moléculaire, la famille à laquelle elle appartient ou son emplacement dans la cellule.

En analysant un très grand nombre d'exemples, Claude a réussi à lier l'activation de nœuds spécifiques à des propriétés biologiques concrètes, puis à les décrire dans un langage simple et compréhensible par l'homme. Par exemple, l'algorithme pourrait générer une description telle que : « Ce neurone semble détecter les protéines impliquées dans le transport transmembranaire d'ions ou d'acides aminés, en particulier celles situées dans la membrane plasmique. » Grâce à ce processus, les nœuds sont devenus « interprétables », et pour la première fois, les scientifiques ont eu un aperçu clair de ce que le modèle « pense ». Il s'est avéré que les caractéristiques les plus fréquemment codées par les modèles sont la famille de protéines et des fonctions spécifiques, y compris divers processus métaboliques et biosynthétiques.

Implications pratiques : De la découverte plus rapide de médicaments à de nouvelles connaissances biologiques

Cette avancée a des conséquences considérables. Comprendre les caractéristiques qu'un modèle protéique particulier encode permet aux chercheurs de choisir le modèle le plus approprié pour une tâche spécifique. Qu'il s'agisse d'identifier de nouvelles molécules cibles pour des médicaments ou de concevoir des vaccins plus efficaces, il est désormais possible d'utiliser un outil qui est le mieux « réglé » pour résoudre un problème concret. Cela accélère et réduit directement les coûts de l'ensemble du processus de recherche et développement.

Par exemple, dans une étude de 2021, l'équipe de la professeure Berger a utilisé un modèle de langage protéique pour prédire quelles parties des protéines de surface virales étaient les moins susceptibles de muter. Ils ont ainsi identifié des cibles prometteuses pour le développement de vaccins universels contre la grippe, le VIH et le SRAS-CoV-2. Avec la nouvelle méthode d'interprétation, il est maintenant possible non seulement d'obtenir une telle prédiction, mais aussi de comprendre sur la base de quelles propriétés biochimiques et structurelles le modèle a pris cette décision, ce qui fournit un niveau de confirmation supplémentaire et oriente les recherches futures en laboratoire.

De plus, l'analyse des caractéristiques que le modèle reconnaît indépendamment comme importantes pourrait un jour conduire à des découvertes biologiques entièrement nouvelles. Il est possible que l'intelligence artificielle, en analysant des schémas dans les données que l'œil humain ne peut pas percevoir, identifie des fonctions protéiques jusqu'alors inconnues ou découvre de nouvelles connexions entre différentes voies biologiques. « Un jour, lorsque les modèles deviendront encore plus puissants, nous pourrions en apprendre davantage sur la biologie que ce que nous savons actuellement, et ce, précisément en ouvrant les modèles eux-mêmes », conclut Gujral avec optimisme. Cette technologie promet non seulement de nous aider à trouver des réponses aux questions connues, mais aussi d'en poser de toutes nouvelles qui façonneront l'avenir de la science.