Percer les secrets de l'IA : comment SQUID éclaire les mystères du génome
ParisL'intelligence artificielle joue un rôle crucial dans nos vies actuelles, y compris dans le domaine de la biologie et l'étude de la vie. Par exemple, l'IA est capable d'analyser rapidement une immense quantité de données génomiques pour identifier de nouvelles cibles thérapeutiques. Cependant, les scientifiques ne comprennent pas comment les modèles d'IA actuels parviennent à ces conclusions.
Les chercheurs du laboratoire Cold Spring Harbor (CSHL) ont développé un nouvel outil appelé SQUID (Surrogate Quantitative Interpretability for Deepnets). Cet outil facilite la compréhension de la manière dont les modèles d'IA analysent les génomes.
Le SQUID surpasse les autres outils en offrant des résultats constants, en réduisant le bruit de fond, et en facilitant des prédictions plus précises concernant les mutations génétiques.
Le professeur assistant de CSHL, Peter Koo, explique que SQUID est efficace grâce à son apprentissage unique. Contrairement aux outils habituels utilisés dans la vision par ordinateur ou le traitement du langage naturel, SQUID se distingue en tirant parti de nombreuses années de connaissances en génétique quantitative.
SQUID débute par la création d'une bibliothèque de plus de 100 000 séquences d'ADN distinctes. Il utilise ensuite un programme nommé MAVE-NN (Multiplex Assays of Variant Effects Neural Network) pour analyser ces séquences. Grâce à MAVE-NN, les scientifiques peuvent mener des milliers d'expériences virtuelles simultanément, ce qui les aide à comprendre comment l'IA réalise ses meilleures prédictions.
Les expériences virtuelles peuvent améliorer et rendre plus précises les expériences de laboratoire réelles. Justin Kinney, professeur et co-auteur de l'étude, affirme que les expériences virtuelles ne peuvent pas remplacer le travail effectué en laboratoire. Cependant, elles fournissent des informations précieuses. Elles aident les scientifiques à développer des idées sur le fonctionnement des parties du génome ou sur l'impact potentiel d'une mutation chez un patient.
Il existe de nombreux modèles d'IA disponibles et de nouveaux sont constamment développés. Koo, Kinney et leur équipe espèrent que SQUID aidera les scientifiques à choisir les meilleurs modèles pour leurs travaux. Bien que le génome humain ait été cartographié, il reste difficile à comprendre. SQUID pourrait apporter une aide en fournissant des informations plus claires sur les effets médicaux des découvertes génétiques.
L'étude est publiée ici:
http://dx.doi.org/10.1038/s42256-024-00851-5et sa citation officielle - y compris les auteurs et la revue - est
Evan E. Seitz, David M. McCandlish, Justin B. Kinney, Peter K. Koo. Interpreting cis-regulatory mechanisms from genomic deep neural networks using surrogate models. Nature Machine Intelligence, 2024; DOI: 10.1038/s42256-024-00851-518 novembre 2024 · 14:36
Étudier le comportement des souris avec précision grâce à l’IA et à moins d’animaux
18 novembre 2024 · 12:24
L'IA détecte rapidement les tumeurs cérébrales invisibles lors d'interventions chirurgicales
17 novembre 2024 · 11:45
L'IA prédictive cible les sites à risque pour une surveillance améliorée des eaux souterraines
Partager cet article