L’intelligence artificielle fait aujourd’hui des ravages dans de nombreux domaines, et la biologie n’échappe pas à cette révolution. Les réseaux de neurones profonds (DNNs), une catégorie d’outils d’IA, se sont révélés particulièrement utiles pour prédire les résultats d’expériences génomiques. Leur potentiel est immense : ils pourraient accélérer la recherche scientifique et même conduire à des découvertes salvatrices, à condition de surmonter certains défis. Parmi les principaux obstacles actuels, figure le manque de transparence sur la confiance que ces modèles accordent à leurs propres prédictions. « Actuellement, de nombreux outils d’IA fournissent une sortie sans indiquer leur niveau de certitude », explique Peter Koo, professeur associé au Cold Spring Harbor Laboratory (CSHL). « Que ce soit un grand modèle linguistique ou un DNN utilisé en génomique, les résultats sont tous affichés de la même manière, sans indication de fiabilité. » Face à ce défi, Koo, l’ancienne postdoctorante Jessica Zhou et la doctorante Kaeli Rizzo ont conçu une solution prometteuse : DEGU (Distillation des ensembles pour des modèles génomiques capables d’évaluer l’incertitude). Ce nouvel outil repose sur une méthode appelée « distillation de distribution d’ensembles profonds », qui consiste à apprendre non pas les prédictions individuelles d’un modèle, mais la distribution globale des résultats attendus. Grâce à cette approche, DEGU permet de réduire un ensemble de dizaines de modèles complexes en un seul modèle compact, tout en conservant une précision élevée. « En biologie, on ne peut pas se fier à une seule prédiction », souligne Koo. « On entraîne souvent une dizaine de modèles, puis on compare leurs résultats. Mais gérer plusieurs modèles, surtout à mesure qu’ils deviennent plus gros, devient rapidement compliqué. DEGU résout ce problème en condensant l’ensemble en un seul modèle, dix fois plus petit, mais tout aussi performant. » Les tests menés par l’équipe montrent que les modèles entraînés avec DEGU offrent des prédictions plus précises et, surtout, des explications plus claires de leurs décisions. « Au lieu d’analyser dix modèles en parallèle, on travaille avec un seul modèle plus léger, plus facile à interpréter », explique Rizzo. « Cela permet de mieux comprendre ce qui pousse le modèle à une certaine conclusion, ainsi que le degré d’incertitude associé. » L’équipe du laboratoire Koo poursuit ses efforts pour améliorer l’efficacité de DEGU et le rendre accessible à un plus large public de chercheurs. « Les expériences en laboratoire coûtent cher », rappelle Rizzo. « Si nos modèles sont plus fiables et plus transparents, les scientifiques éviteront de perdre du temps sur des prédictions peu fiables. » L’objectif ? Réduire les « chasses au lapin » inutiles et renforcer la qualité des hypothèses scientifiques. Avec DEGU, l’avenir de la recherche génomique guidée par l’IA semble plus clair, plus précis, et bien plus fiable.