Une nouvelle methode d IA aide les chercheurs a voir l ensemble du tableau en biologie cellulaire
Des chercheurs du Broad Institute du MIT et de Harvard ont concu un cadre d IA qui determine quelles mesures cellulaires sont propres a une technique et lesquelles sont partagees entre plusieurs, offrant aux scientifiques une vision plus complete du comportement des cellules.
Intelligence ArtificielleÉquipe éditoriale GNGV5 min de lecture
La biologie moderne peut mesurer une seule cellule de nombreuses manieres a la fois : quels genes sont actifs, comment son ADN est organise, quelles proteines elle porte. Chaque technique capte quelque chose de reel, mais reunir ces points de vue est difficile, car personne ne sait d avance quels signaux sont reellement partages et lesquels n appartiennent qu a une seule methode. Des chercheurs du Broad Institute du MIT et de Harvard, avec des collaborateurs de l ETH Zurich et de l Institut Paul Scherrer, ont concu un cadre d intelligence artificielle qui s attaque precisement a ce probleme, dans des travaux publies le 25 fevrier 2026.
La methode apprend a separer l information captee par une seule modalite de mesure de celle partagee entre plusieurs. Lors de tests sur des jeux de donnees synthetiques, ou la bonne reponse etait connue, le cadre a correctement identifie quels signaux etaient partages et lesquels etaient propres a chaque modalite. Applique a des donnees reelles, il a distingue l activite genique captee conjointement par la transcriptomique et les mesures d accessibilite de la chromatine, et a identifie quelle technique avait detecte des marqueurs proteiques precis signalant des dommages a l ADN.
Le benefice pratique est l efficacite et la clarte. "En reunissant l information de toutes ces modalites de mesure de maniere plus intelligente, nous pourrions avoir une image plus complete", a declare l auteure principale Xinyi Zhang. L auteure principale Caroline Uhler, professeure au MIT, a formule la question plus profonde a laquelle l outil peut repondre : "Quelles modalites devons-nous mesurer et lesquelles devons-nous predire ? Notre methode peut y repondre." Cette orientation peut epargner aux laboratoires des experiences couteuses et redondantes.
Les chercheurs restent prudents sur les limites. Ils prevoient d autres travaux pour rendre plus interpretable l information cellulaire revelee par le modele, et des experiences supplementaires pour confirmer que le cadre separe vraiment les donnees avant tout usage clinique. Publiee dans Nature Computational Science, l etude rappelle que certaines des contributions les plus utiles de l IA sont discretes : non pas remplacer les biologistes, mais les aider a poser des questions plus precises.
