Une équipe internationale de chercheurs, coordonnée par le centre de recherche Forschungszentrum Jülich et l'Institut Leibniz IPK, a mis au point un modèle d'intelligence artificielle capable de prédire avec précision comment les protéines régulatrices interagissent avec l'ADN végétal pour activer ou désactiver les gènes. Cette avancée, publiée récemment dans Nature Communications, repose sur l'apprentissage profond et vise à décrypter la régulation génomique au-delà de la simple séquence ADN. Contrairement aux approches traditionnelles qui modélisaient chaque facteur de transcription individuellement, cette nouvelle architecture prend en compte simultanément 46 familles de facteurs de transcription. Entraîné exclusivement sur les données génomiques riches de l'Arabidopsis thaliana, le modèle a démontré une capacité remarquable à se transférer à d'autres espèces, y compris le maïs. Les résultats montrent que la fonction génétique ne dépend pas uniquement de motifs isolés, mais bien de la structure contextuelle et de l'agencement des séquences régulatrices, une forme de grammaire épigénétique. Grâce à cette méthode, les chercheurs ont pu regrouper les gènes d'Arabidopsis en quatorze clusters régulatoires distincts, dont plusieurs correspondent à des fonctions biologiques coordonnées. En analysant plus de 7 000 variations génétiques associées à des traits agricoles comme la résistance aux maladies, la croissance des semis ou le moment de la floraison, l'équipe a identifié qu'une variation sur cinq modifiait potentiellement la fixation des facteurs de transcription. L'exemple de la floraison a confirmé ce principe : une simple substitution de nucléotide dans une région régulatrice altère simultanément la liaison de plusieurs protéines, décalant ainsi le cycle de développement de la plante, une prédiction validée expérimentalement par des tests à haut débit. Au-delà de la recherche fondamentale, cet outil offre des perspectives concrètes pour l'amélioration des cultures. Appliqué au maïs, le modèle a permis d'identifier les facteurs de transcription actifs lors de stress thermiques, soulignant le rôle crucial des protéines de choc thermique. Cette approche comble un manque de données expérimentales pour de nombreuses espèces cultivées et fournit aux scientifiques un cadre pour passer de simples corrélations statistiques à des mécanismes moléculaires plausibles. Comme l'explique le Dr Jędrzej Szymański, chef du groupe de recherche en modélisation à l'IPK, cette technologie permet désormais d'évaluer l'impact précis d'une variation réglementaire sur l'activité d'un gène et, in fine, sur un trait phénotypique. Cette intégration de l'intelligence artificielle dans la génomique végétale marque une étape majeure vers une agriculture plus résiliente face aux changements climatiques.