Atlas cellulaires : qui lit le mieux le langage des tissus ? express

‹›

Les biologistes confient de plus en plus aux ordinateurs la lecture des « modes d'emploi » de la cellule vivante. Six modèles récents d'intelligence artificielle — Nicheformer, CellPLM, scGPT-spatial, GenePT, scELMo et Novae — sont comme six traducteurs de dialectes différents d'un même langage cellulaire. Chacun a appris sur ses propres textes : certains ont mémorisé des séquences de gènes actifs, d'autres des cartes spatiales de tissus, d'autres encore ont commencé avec le langage humain ordinaire.

Les auteurs de l'étude leur ont fait passer un examen honnête. Les modèles ont reçu les mêmes tâches : regrouper les cellules par type, trouver des gènes marqueurs (les « passeports » moléculaires des cellules) ou prédire comment une cellule réagira à un médicament. Les données d'entrée étaient également variées, allant d'une simple liste de gènes exprimés à des images montrant la position de chaque cellule dans le tissu.

Le résultat est déconcertant. Les modèles entraînés sur des listes « plates » de gènes ont été les meilleurs pour déterminer les types cellulaires. Les modèles spatiaux, qui voient la carte du tissu, ont mieux préservé l'architecture de l'organe. Et les modèles de langage, pour lesquels un gène n'est qu'un mot dans une phrase, ont étonnamment bien prédit l'effet des médicaments. Aucun modèle n'a gagné dans toutes les catégories, et le classement changeait au moindre détail — la méthode de prétraitement des données, le choix de la métrique, ou même la façon dont les gènes étaient « découpés » en morceaux pour l'analyse.

Ce n'est pas une course au champion absolu. C'est plutôt l'émergence d'une gamme d'outils, chacun bon pour son usage. L'avenir appartient aux modèles qui pourront non seulement marquer des points dans les tests, mais aussi expliquer au biologiste pourquoi une cellule a emprunté telle voie de développement.