60 souris, 1980 échantillons, 234 patients atteints d'un cancer du poumon. Derrière chaque chiffre se cachent des milliers de gènes. Leur activité est mesurée pour comprendre la maladie. Mais les données ne sont pas homogènes : chez un patient, on évalue le niveau de protéine (nombre continu), on pose un diagnostic (oui/non) et on détermine le sous-type de tumeur (catégorie). Les mélanger dans un même modèle revient à additionner des degrés Celsius et des kilomètres. Les spécialistes en apprentissage automatique ajustent manuellement les poids des erreurs pour chaque tâche. Sans langage commun, impossible de se mettre d'accord sur l'importance — le résultat dépend du hasard.

Les auteurs de l'étude proposent d'abandonner les échelles absolues et de passer à un langage commun de l'ordre. Voici comment cela fonctionne. Le modèle, tel un traducteur, ne scrute pas les chiffres exacts. Il saisit la hiérarchie — qui est au-dessus, qui est en dessous. Il apprend à classer les patients : qui a le marqueur le plus élevé, quelle tumeur est la plus agressive. Cette approche est invariante aux transformations monotones. Ce sont des opérations qui changent les nombres mais pas l'ordre — par exemple, la prise de logarithme. En pratique, la règle stricte « plus grand/plus petit » est remplacée par une sigmoïde lisse. Ainsi, l'optimisation se fait en douceur.

Le réseau de neurones est simple. Une première couche commune filtre des centaines de gènes et ne garde que les acteurs universels. Une pénalité de groupe (méthode de sélection de caractéristiques qui met à zéro tous les paramètres d'une caractéristique non informative) élimine le bruit. Ensuite, pour chaque tâche, des couches dédiées produisent des prédictions sous forme de scores d'ordre conditionnels. Les expériences en simulation numérique et sur des données bioinformatiques réelles montrent que la méthode surpasse la pondération dynamique, GradNorm et les réseaux simples.

Les gènes sélectionnés ne sont pas aléatoires. Scd1 régule le métabolisme lipidique. E2F1 est un facteur de transcription dans le cancer du sein. RPLP2 est un marqueur de l'adénocarcinome pulmonaire. Le langage commun de l'ordre ne se contente pas d'améliorer la précision. Il traduit des indicateurs disparates en un récit biologique unifié, reliant immunité et oncogenèse. Chaque type de donnée cesse d'être un dialecte isolé. Ces 60 souris, 1980 échantillons et 234 patients ne sont plus de simples statistiques — leurs génomes, leurs profils arn et leurs diagnostics parlent désormais une langue commune que le réseau de neurones comprend.