L'IA identifie des répulsifs sûrs pour les abeilles

Des chercheurs de l'Université de Californie à Riverside ont développé une méthode basée sur l'apprentissage automatique pour identifier des composés chimiques capables de repousser les abeilles mellifères loin des pesticides traitant les cultures. Cette approche, publiée dans la revue eLife, offre une réponse prometteuse à l'un des défis écologiques majeurs de l'agriculture : le déclin continu des populations d'abeilles, largement attribué à l'exposition aux produits phytosanitaires. La difficulté résidait dans la complexité du système olfactif des abeilles, qui possède plus de 200 récepteurs permettant de détecter une multitude de composés volatils. Pour surmonter cet obstacle, l'équipe dirigée par le professeur Anandasankar Ray a collaboré avec le laboratoire du professeur Boris Baer. Ils ont entraîné un modèle d'intelligence artificielle sur les structures chimiques d'odorants et les réponses comportementales enregistrées précédemment chez les abeilles et les drosophiles. En affinant itérativement le modèle avec de nouvelles données comportementales, les chercheurs ont démontré qu'une donnée de haute qualité, plutôt qu'un volume massif, suffisait pour prédire avec précision les réponses olfactives des insectes. Une fois optimisé, le système a criblé plus de cinquante millions de composés, isolant environ cent trente candidats prometteurs. Les tests en laboratoire ont confirmé que les abeilles évitaient ces substances, corroborant les prédictions de l'algorithme. Des expériences sur le terrain avec des abeilles butinant librement ont ensuite validé que sept de ces composés repoussaient efficacement les insectes sans leur causer de dommage. Cette avancée ouvre plusieurs perspectives concrètes. En gardant les abeilles à distance des zones traitées, ces molécules pourraient réduire significativement leur exposition aux pesticides tout en maintenant l'efficacité des protections agricoles. Le modèle pourrait également guider la formulation de pesticides plus respectueux des pollinisateurs, conciliant ainsi sécurité alimentaire et préservation de la biodiversité. Au-delà de l'agriculture, ces composés présentent un intérêt pour la gestion des interactions homme-insecte dans les espaces publics, ainsi que pour certaines pratiques culturales visant à éviter la pollinisation. Les chercheurs insistent sur la capacité de l'apprentissage automatique à résoudre des problématiques environnementales réelles. Bien que des brevets soient en cours de dépôt, cette méthode pose les bases d'outils numériques au service d'une agriculture durable et d'une meilleure protection des pollinisateurs.