Depuis plus d’un siècle, les neuroscientifiques s’efforcent de cartographier le cerveau, une tâche rendue complexe par la diversité cellulaire et l’organisation spatiale fine de ce tissu. Jusqu’à récemment, les cartes cérébrales reposaient sur des observations microscopiques de structures cellulaires, comme celles de Korbinian Brodmann, qui a décrit 52 régions corticales humaines au début du XXe siècle. Bien que ces cartes aient été fondamentales, elles restaient subjectives et manquaient de précision. Avec l’avènement des techniques moléculaires, les chercheurs peuvent désormais analyser l’activité génétique de chaque cellule via les profils d’ARN, révélant des milliers de types cellulaires distincts — plus de 5 000 dans le cerveau de souris, selon l’Atlas du cerveau de l’Allen Institute (2023). Pourtant, ces données massives n’ont pas permis de produire des cartes claires et biologiquement significatives, car les régions cérébrales ne sont pas composées d’un seul type cellulaire, mais de mélanges complexes. Bosiljka Tasic, neuroscientifique et génomiste à l’Allen Institute, a donc collaboré avec Reza Abbasi-Asl, spécialiste de l’intelligence artificielle à l’UCSF, pour développer CellTransformer, un algorithme d’apprentissage automatique capable de déduire la nature d’une cellule à partir de ses voisines. En s’appuyant sur des données d’ARN provenant de 10,4 millions de cellules de cinq souris, l’IA a appris à prédire les profils génétiques en fonction des environnements cellulaires. Cette approche, qui considère les relations spatiales entre cellules plutôt que leur identité isolée, a permis de cartographier des « quartiers » cérébraux, des groupes hétérogènes de cellules qui partagent des caractéristiques fonctionnelles et génétiques. Le modèle a identifié entre 25 et 1 300 régions sous-corticales, dont certaines étaient inconnues jusqu’alors. L’un des résultats les plus marquants concerne le caudoputamén, une structure centrale impliquée dans le mouvement, le traitement des récompenses et la régulation globale. Les cartes classiques le traitaient comme une entité unique, mais CellTransformer a révélé plusieurs sous-régions distinctes, confirmées par des études antérieures basées sur les connexions neuronales. Cela résout des contradictions entre des hypothèses fonctionnelles divergentes : les scientifiques ne se trompaient pas, ils observaient des zones différentes. De même, dans le noyau réticulé du mésencéphale, l’algorithme a détecté quatre nouveaux quartiers, chacun avec des profils génétiques et cellulaires uniques, certains même associés à des cellules autrefois classées ailleurs. Les cartes générées par CellTransformer ont été validées par comparaison avec des références humaines, comme le cadre de coordonnées commun de l’Allen, avec une bonne concordance. L’algorithme ne « hallucine » pas comme certaines IA génératives, car il s’appuie sur des données réelles. Cependant, les nouvelles régions doivent encore être testées fonctionnellement — par exemple, en activant ou en supprimant des zones chez des souris pour observer des changements comportementaux. L’application à l’humain reste un défi majeur : le cerveau humain compte environ 170 milliards de cellules, et les données génomiques à l’échelle cellulaire sont encore limitées. Mais les chercheurs estiment que, dès que les données suffisantes seront disponibles, CellTransformer pourra révéler des structures cérébrales humaines avec une précision inédite. L’algorithme pourrait aussi intégrer des données de connectivité, comme celles utilisées par Hourig Hintiryan, pour créer des cartes « routières » du cerveau. Au-delà du cerveau, cette méthode s’appliquerait à d’autres organes, permettant de comparer des tissus sains et malades, comme les reins diabétiques. Selon Yongsoo Kim, cette technologie ne remplace pas l’humain, mais le libère : « La découverte sera accélérée de manière spectaculaire. » L’IA devient ainsi un allié indispensable dans la quête de compréhension du cerveau, transformant une tâche humaine quasi impossible en une exploration précise et systématique de l’architecture cellulaire.