Application de l’intelligence artificielle dans le secteur de la biologie

La microscopie est une méthode centrale dans les sciences de la vie, mais il n'est pas toujours facile, pour l'œil humain, de détecter des éléments dans une cellule, car les échantillons biologiques sont le plus souvent constitués d'eau. Au fil du temps, les scientifiques ont développé des méthodes qui ajoutent des étiquettes fluorescentes aux cellules afin de voir les caractéristiques que l'œil humain ne peut normalement pas voir, mais ces techniques tuent généralement les cellules qu'elles tentent d'étudier.

L’intelligence artificielle dans le secteur de la biologie 

Il y a près de 10 ans, l'équipe de Steven Finkbeiner, directeur et chercheur principal des instituts Gladstone, a inventé un microscope robotisé entièrement automatisé qui peut suivre les cellules individuelles. Comme il génère 3 à 5 téraoctets de données par jour, ils ont également développé de puissantes méthodes statistiques et informatiques pour analyser la grande quantité d'informations. Vu la taille et la complexité des données collectées, Finkbeiner a commencé à explorer l'apprentissage profond (un type d'apprentissage automatique qui implique des algorithmes capables d'analyser des données, de reconnaître des modèles et de faire des prévisions) comme moyen d'améliorer ses recherches. Google l'a ensuite approché. La société a été un leader dans cette branche de l'intelligence artificielle, qui repose sur des réseaux de neurones artificiels qui imitent la capacité du cerveau humain à traiter l'information à travers de nombreuses couches de neurones interconnectés.

La nouvelle approche d'apprentissage profond, appelée "étiquetage in silico", permet à un ordinateur de trouver et de prédire les caractéristiques des images de cellules non étiquetées. Cette nouvelle méthode permet de découvrir des informations importantes qui, autrement, seraient difficiles ou impossibles à obtenir pour les scientifiques.

Le réseau profond peut identifier si une cellule est vivante ou morte, et obtenir la bonne réponse dans 98 % des cas. Il est également capable de repérer une seule cellule morte dans une masse de cellules vivantes : en comparaison, les gens ne peuvent généralement identifier une cellule morte qu'avec une précision de 80 %. Une fois formé, le réseau peut continuer à améliorer ses performances et à accroître la capacité et la rapidité avec lesquelles il apprend à effectuer de nouvelles tâches.

Le modèle peut également faire la distinction entre différents types de cellules : le réseau peut identifier un neurone parmi un mélange de cellules dans une boîte. Il peut également prédire si une extension de ce neurone est un axone ou une dendrite, deux éléments différents mais d'apparence similaire de la cellule.

Plus le modèle a appris, moins il a besoin de données pour apprendre une nouvelle tâche similaire. Ce type d'apprentissage par transfert, où un réseau applique ce qu'il a appris sur certains types d'images à des types entièrement nouveaux, est un défi de longue date en IA.

Les applications biologiques potentielles de l'apprentissage approfondi sont infinies. Il est possible de trouver de nouveaux moyens de diagnostiquer et de traiter les maladies neurodégénératives, telles que la maladie d'Alzheimer, la maladie de Parkinson et la sclérose latérale amyotrophique (SLA).

La cause exacte de ces maladies est inexpliquée pour 90% des patients. On ne sait pas non plus si tous les patients ont la même cause, ou s'il est possible de classer les maladies en différents types. Des outils d'apprentissage approfondi pourraient aider à trouver des réponses à ces questions, qui ont d'énormes implications allant de la façon dont nous étudions la maladie à la façon dont nous menons les essais cliniques.