CAMBRIDGE, Angleterre – Shift Bioscience, entreprise biotechnologique spécialisée dans la découverte de la biologie du rajeunissement cellulaire afin de réduire la morbidité et la mortalité liées au vieillissement, a annoncé aujourd’hui la publication d’une nouvelle étude mettant en lumière un cadre amélioré pour la calibration des métriques utilisées dans les modèles virtuels de cellules. Cette recherche démontre que, lorsque ces métriques sont correctement calibrées, les modèles virtuels de cellules surpassent de manière cohérente des références simples et peu informatives, offrant ainsi des insights biologiques précieux et exploitables pour accélérer les pipelines d’identification de cibles thérapeutiques. Les modèles de réponse à la perturbation génétique, une sous-catégorie des cellules virtuelles basées sur l’intelligence artificielle, permettent de prédire la réaction cellulaire à des modifications génétiques, telles que l’activation ou la suppression de gènes. Ces outils s’imposent comme des solutions in silico rapides et évolutives, capables d’identifier des cibles génétiques prometteuses sans les contraintes temporelles et matérielles des expériences en laboratoire. Toutefois, des études récentes ont remis en question leur efficacité, soulignant que ces modèles ne surpassaient pas parfois des baselines simples, ce qui a suscité des doutes sur leur utilité réelle. Dans cette nouvelle étude, l’équipe de Shift Bioscience a montré que les performances médiocres observées dans certaines expériences s’expliquent principalement par un défaut de calibration des métriques utilisées. En effet, les métriques couramment employées peinent à distinguer des prédictions robustes de celles qui sont non informatives, particulièrement sur des jeux de données comportant des perturbations faibles. À partir de 14 jeux de données perturb-seq, l’équipe a identifié plusieurs métriques basées sur le rang et sensibles aux gènes différentiellement exprimés (DEG), qui se révèlent bien calibrées et fiables sur diverses conditions. Lorsqu’ils sont évalués avec ces métriques améliorées, les modèles virtuels de cellules ont systématiquement surpassé des baselines telles que la moyenne, le contrôle ou des modèles linéaires, démontrant ainsi leur capacité à capter des signaux biologiques significatifs. Ces résultats contredisent les conclusions antérieures selon lesquelles les modèles de perturbation génétique échouent, et renforcent l’idée que les cellules virtuelles basées sur l’IA peuvent être efficacement utilisées pour la découverte de cibles. Henry Miller, docteur en apprentissage automatique chez Shift Bioscience, a déclaré : « Cette recherche démontre clairement que les rapports de mauvaise performance des cellules virtuelles sont en grande partie dus à des limites des métriques, et non à des défauts des modèles eux-mêmes. En utilisant des métriques bien calibrées, nous avons montré que ces modèles se comportent très bien et surpassent de façon constante les références. Ce travail ouvre la voie à une adoption plus large des cellules virtuelles et renforce notre confiance dans les modèles qui alimentent notre programme d’identification de cibles pour le rajeunissement cellulaire. » Cette avancée marque une étape clé dans la validation des outils d’intelligence artificielle en biologie cellulaire, en offrant un cadre rigoureux pour évaluer leur performance. Elle devrait encourager une utilisation accrue de ces modèles dans la recherche sur le vieillissement et les maladies liées, tout en améliorant la fiabilité des découvertes préliminaires.