Une équipe de chercheurs de l'Université de Hong Kong, dirigée par le professeur Kevin Tsia, a mis au point MorphoGenie, un nouveau cadre d'intelligence artificielle conçu pour analyser les images de cellules avec une grande précision et une interprétabilité accrue. Les résultats de cette étude, publiée dans Nature Communications, soulèvent des espoirs considérables pour l'amélioration du diagnostic des maladies et la découverte de médicaments. L'un des principaux défis en biologie cellulaire réside dans l'extraction fiable de données d'images de microscopie. De nombreuses distinctions entre cellules saines et malades sont trop subtiles pour être détectées visuellement, et les outils d'IA existants fonctionnent souvent comme des « boîtes noires », rendant leurs décisions difficiles à comprendre pour les scientifiques. MorphoGenie résout ce problème en apprenant un petit ensemble de motifs visuels réutilisables directement à partir des images de cellules, sans nécessiter d'étiquetage manuel exhaustif. Ces « blocs de construction » incluent la taille et la forme cellulaires, ainsi que des textures internes grossières et des détails locaux fins. Le système combine ces éléments pour décrire une vaste gamme d'états cellulaires et de conditions pathologiques. Inspiré par le principe de compositionnalité présent dans l'apprentissage humain, MorphoGenie évite de mémoriser des modèles spécifiques et apprend plutôt des concepts généraux. Cette approche permet au système d'interpréter de nouvelles données cellulaires inconnues plus efficacement, en identifiant non seulement ce que l'IA prédit, mais aussi quels traits visuels ont conduit à cette conclusion. Cela rend le processus transparent et permet aux chercheurs de vérifier et de valider les découvertes. Dans le cadre de cette recherche, l'équipe a démontré la capacité de MorphoGenie à distinguer les sous-types de cellules cancéreuses du poumon, à détecter les changements morphologiques induits par des médicaments et à suivre des processus biologiques dynamiques tels que la progression du cycle cellulaire et la transition épithéliale-mésenchymateuse, un phénomène étroitement lié à la progression de la maladie et aux métastases. Contrairement aux méthodes traditionnelles qui reposent sur des caractéristiques conçues manuellement et sujettes aux biais, MorphoGenie révèle des motifs biologiques significatifs qui échappent souvent à l'œil humain. Un avantage supplémentaire majeur de MorphoGenie est son aptitude à fonctionner sur divers types de techniques de microscopie, y compris l'imagerie de phase quantitative sans marquage et la microscopie à fluorescence. De plus, il peut transférer les connaissances acquises d'un ensemble de données à un autre ensemble non vu, ce qui suggère une valeur potentielle étendue pour la recherche biomédicale. Le professeur Tsia insiste sur le fait que l'interprétabilité est essentielle non seulement pour la confiance, mais aussi pour l'utilité scientifique. Pour que l'IA aide réellement les chercheurs à identifier des changements significatifs, ses résultats doivent être présentés de manière compréhensible et vérifiable. Bien que la découverte biomédicale totalement autonome reste un objectif à long terme, MorphoGenie jette les bases de systèmes d'IA plus puissants et plus transparents. Cette avancée vise à recentrer l'expertise humaine au cœur du processus de découverte, tout en permettant l'identification de motifs significatifs pour mieux comprendre la santé et les maladies.