Un modèle d'IA cellulaire embrasse 1,5 milliard d'années de biologie du vieillissement
Un seul modèle capable de comprendre la biologie de presque toutes les cellules de la Terre. Cela peut sembler utopique, mais des chercheurs ont construit quelque chose d'approchant avec TranscriptFormer. Pour la recherche sur le vieillissement, il ouvre une nouvelle voie pour comparer le comportement cellulaire entre espèces et états pathologiques.
Le modèle, publié dans Science, a été entraîné sur des données cellulaires issues d'organismes séparés par 1,5 milliard d'années d'évolution, des algues jusqu'à l'être humain. Il identifie des régularités dans l'activité des gènes (la transcription) et peut prédire le comportement cellulaire, même dans des situations qu'il n'a jamais rencontrées. Les chercheurs le qualifient d'atlas cellulaire génératif : un modèle qui ne se contente pas de stocker ce qui a été mesuré, mais qui peut décrire des états cellulaires inédits.
Ce qui distingue un modèle cellulaire génératif
Un atlas cellulaire classique ressemble à une encyclopédie : on y consulte ce que l'on sait d'un type cellulaire donné. Un modèle génératif s'apparente davantage à un modèle de langage appliqué à la biologie : il saisit la grammaire sous-jacente et peut construire des phrases qu'il n'a jamais vues. TranscriptFormer est ainsi capable de simuler des états cellulaires, y compris ceux associés au vieillissement, à la maladie ou à un traitement.
Pour la recherche sur la longévité, cette capacité est prometteuse, car le vieillissement est un processus graduel et hétérogène. Les cellules d'un même tissu ne vieillissent pas toutes au même rythme ni de la même façon. Un modèle qui appréhende l'éventail des comportements cellulaires possibles pourrait aider à repérer quelles cellules s'écartent précocement d'un profil sain et comment elles réagissent à une intervention.
Encore préliminaire, mais la direction est la bonne
TranscriptFormer reste avant tout un instrument de recherche. Il n'a pas encore été déployé dans des applications cliniques directes, et la qualité des prédictions dépend fortement des données d'entraînement. La question demeure ouverte de savoir dans quelle mesure le modèle gère correctement les processus pathologiques humains peu représentés dans l'atlas.
Des outils de ce type marquent néanmoins un tournant dans la recherche sur le vieillissement : le passage de la mesure de biomarqueurs isolés à la modélisation de systèmes biologiques entiers. Cela ouvre en principe la possibilité de calculer les effets de changements de mode de vie, de médicaments ou de variants génétiques à l'échelle de cellules individuelles, même si cela relève encore d'une ambition future plutôt que d'une réalité actuelle.
Termes de recherche pour aller plus loin : generative cell model transcription atlas, single-cell RNA sequencing evolutionary comparison, cell type classification machine learning aging