Restez informé avec des mises à jour gratuites
Inscrivez-vous simplement au Intelligence artificielle myFT Digest – livré directement dans votre boîte de réception.
Les machines ont déjà déjoué les humains en jouant aux échecs, en identifiant le chant des oiseaux et en prédisant des structures protéiques complexes. Mais lorsqu’il s’agit de choses vraiment intelligentes et intuitives, comme la recherche scientifique originale, nous, les humains, aimons penser que nous avons toujours l’avantage.
Nous devrons peut-être y réfléchir à nouveau. Lors de la conférence RAAIS sur l’intelligence artificielle à Londres au début du mois, Daniel Cohen, Le président de la société canadienne de découverte de médicaments Valence Labs a évoqué la possibilité alléchante, quoique légèrement déconcertante, d’une « découverte scientifique autonome ». Formés sur des données spécialisées, les modèles d’IA sophistiqués pourraient bientôt être capables de générer des hypothèses, de concevoir et d’exécuter des expériences, d’apprendre des résultats, de rincer et de répéter 24 heures sur 24 et 7 jours sur 7. « Notre mission est d’industrialiser la découverte scientifique », a-t-il déclaré.
Vous n’avez pas besoin de parler longtemps à des spécialistes de la biologie computationnelle pour comprendre leur enthousiasme pour l’IA. La société de recherche en IA Google DeepMind a même créé une société distincte, Isomorphic Labs, pour exploiter ce domaine après que son programme AlphaFold ait modélisé 200 millions de structures protéiques.
La promesse est que la biologie computationnelle peut contribuer à faire progresser la recherche scientifique, à accélérer la découverte de médicaments et à améliorer les résultats pour les patients. Les machines présentent de nombreux avantages par rapport à leurs homologues en chair et en os des chercheurs et des assistants de laboratoire. D’une part, ils n’ont pas besoin de dormir, ni de souffrir de rhumes, de gueules de bois ou de relations compliquées.
«Je suis tellement encouragée par le rythme auquel le domaine évolue», me dit Christina Curtis, professeur de génétique et de science des données biomédicales à la faculté de médecine de l’Université de Stanford. «Cela change notre façon de comprendre la maladie, de détecter les tumeurs malignes et de les traiter et de les intercepter.»
Curtis était l’auteur principal d’un article, publié dans Science le mois dernier, qui explore l’héritabilité de la malignité dans divers sous-ensembles de cancer. À l’aide de techniques d’apprentissage automatique, les chercheurs ont analysé des milliers de génomes d’individus atteints de tumeurs du sein pré-invasives et invasives pour explorer les différences dans leur réponse immunologique à la maladie. Ils ont découvert que la façon dont les cellules tumorales évoluaient chez les individus était « sculptée » par le génome de la lignée germinale dont ils avaient hérité lors de la conception.
De telles recherches pourraient conduire à une détection plus précoce et à des traitements plus personnalisés, améliorant ainsi les chances de survie. « Plus de 50 pour cent des diagnostics de cancer sont de stade 4 ou plus. Nous obtenons des informations trop tard pour faciliter la prise de décision », déclare Curtis. « Idéalement, nous pouvons le faire de manière plus préventive. »
Il existe deux contraintes majeures. La première est que « la génétique fournit des indices, pas des réponses », selon un dirigeant de l’industrie. Les machines ont identifié de nombreuses cibles pour le développement de médicaments, mais peu de produits efficaces ont été commercialisés. Même si la technologie conduit à des percées scientifiques, il faut de nombreuses années pour obtenir l’approbation réglementaire des nouveaux médicaments.
Thore Graepel, responsable mondial de la science informatique chez Altos Labs, a précédemment contribué au développement du programme AlphaGo chez Google DeepMind. La défaite par AlphaGo du joueur le plus fort du monde à l’ancien jeu de Go a été considérée comme une avancée époustouflante dans le domaine de l’intelligence artificielle. Mais Graepel a déclaré lors de la conférence RAAIS que les complexités biologiques auxquelles il est désormais confronté dans le rajeunissement cellulaire sont « d’un ordre de grandeur » plus grandes. « Je n’ai jamais vu autant de complexité avec si peu de données », a-t-il déclaré.
La deuxième contrainte est la rareté des données. Curtis affirme que les données des patients sont comme « de l’or liquide » pour les chercheurs, mais que nous ne disposons pas encore des mécanismes nécessaires pour les capturer régulièrement. Le plus utile serait de combiner les informations génétiques d’un patient avec des données longitudinales sur la santé recueillies tout au long de ses traitements et de sa vie.
La réorientation des systèmes de santé vers une surveillance et une prévention précoces, au détriment du diagnostic et du traitement tardifs, nécessitera une transformation monumentale d’organisations lourdes. Mais le parti travailliste britannique, qui semble en passe de remporter les élections générales de la semaine prochaine, promet d’accélérer cette transformation du Service national de santé. Le manifeste travailliste s’engage à créer un fonds « Fit For the Future » pour doubler le nombre de scanners CT et IRM pour détecter les cancers à un stade précoce.
Les électeurs sont, à juste titre, sceptiques quant aux grandes promesses des politiciens. Mais les tensions qui pèsent sur les finances publiques dans des sociétés vieillissantes pourraient bientôt laisser aux gouvernements d’autres choix que de suivre cette voie. Comme nous l’aurait dit le philosophe néerlandais Desiderius Erasmus il y a cinq siècles : « Mieux vaut prévenir que guérir ». À cette fin, l’IA pourrait être l’un de nos plus grands atouts.