Une équipe de recherche dirigée par Sarath Sivaprasad au CISPA, en collaboration avec Hui-Po Wang, Mario Fritz et des collègues du HIPS, a développé un modèle d’intelligence artificielle capable de détecter automatiquement les anomalies du développement chez les embryons de poisson-zèbre. Cette avancée repose sur un ensemble de données d’images haute résolution et à grande échelle, combiné à un modèle d’apprentissage automatique basé sur les transformateurs. Le système permet d’identifier avec une grande précision les effets toxiques et les perturbations de fertilité, en analysant les séquences d’images au fil du temps. Le poisson-zèbre est un modèle biologique clé en recherche biomédicale grâce à sa transparence, à ses similitudes génétiques avec l’humain, ainsi qu’à son développement rapide et sa sensibilité aux composés chimiques. Ces caractéristiques en font un outil idéal pour le criblage de médicaments à haut débit. Toutefois, l’analyse de son développement reste largement dépendante de l’inspection manuelle par des experts, un processus long, subjectif et difficile à standardiser. Un obstacle majeur était l’absence de jeux de données suffisamment vastes et temporellement riches pour entraîner des modèles d’intelligence artificielle performants. Pour y remédier, les chercheurs du HIPS ont compilé l’un des plus grands ensembles d’images d’embryons de poisson-zèbre jamais rassemblés : plus de 185 000 images prises en continu sous microscope, couvrant des expériences de fertilité et d’exposition à des substances toxiques. Chaque séquence a été annotée avec des métadonnées précises, incluant des marquages temporels fins des anomalies. Sivaprasad a ensuite entraîné un modèle de transformateur capable d’analyser non seulement la structure d’une image, mais aussi les changements dynamiques au cours du développement. Le modèle a atteint une précision de 98 % pour prédire la fécondité et 92 % pour détecter des anomalies causées par un composé toxique (3,4-dichloroaniline). Il reproduit de manière efficace la manière dont les experts humains évaluent l’évolution du développement, permettant des prédictions précoces de toxicité. Ce travail, présenté à la conférence MICCAI 2025 en Corée, ouvre la voie à des méthodes de criblage plus rapides, plus sensibles et plus éthiques. Le jeu de données complet sera mis gratuitement à disposition sur GitHub, afin d’encourager la recherche collaborative dans les domaines de la biologie, de l’IA et de la sécurité des médicaments. L’objectif futur est d’étendre cette approche à des bibliothèques entières de composés chimiques. Des experts du secteur soulignent que cette étude représente une avancée significative dans l’intégration de l’IA dans la biologie du développement. Elle démontre la faisabilité de modèles autonomes capables de surpasser les limites de l’analyse humaine, tout en offrant une base reproductible pour l’évaluation de la toxicité embryonnaire. Le projet illustre également la puissance des collaborations interdisciplinaires entre sécurité de l’information, biologie expérimentale et apprentissage automatique.