Un modèle d'IA prédit l'activité des gènes, révolutionnant la biologie : GET de l'Université Columbia

Des chercheurs de l'Université Columbia ont développé un modèle d'IA, le General Expression Transformer (GET), capable de prédire l'expression des gènes dans les cellules. Cette avancée vise à élargir la compréhension des maladies génétiques et du cancer, ouvrant la voie à des thérapies géniques spécifiques aux cellules. GET a été entraîné en utilisant une approche similaire à celle des modèles de langage comme ChatGPT. Alors que ChatGPT apprend la grammaire du langage, GET a appris les règles sous-jacentes des gènes : comment ils sont activés ou désactivés et comment leur activité est régulée. Cette capacité à prédire l'expression des gènes est cruciale, car les protéines jouent un rôle dans presque tous les processus biologiques. Raul Rabadan, l'un des auteurs de l'étude et directeur du programme de génomique mathématique à l'Université Columbia, a déclaré que "la biologie se transforme en une science prédictive", marquant potentiellement "une révolution en biologie". Les données utilisées pour entraîner GET proviennent de plus de 1,3 million de cellules, couvrant 213 types de cellules différents dans le corps humain. Mark Gerstein, professeur d'informatique biomédicale à la Yale School of Medicine, a noté que les experts tentent de faire des prédictions sur la régulation des gènes depuis des années. Un aspect notable de GET est sa capacité à faire des prédictions sur les types de cellules qui ne sont pas directement inclus dans la formation. Les chercheurs espèrent que le modèle aidera à développer des thérapies géniques qui corrigent les mutations endommageant des types de cellules spécifiques. La capacité de prédire quels gènes sont activés ou désactivés dans différentes cellules pourrait aider à déterminer la cellule d'origine d'une maladie. GET pourrait également faciliter la prise de décision dans la recherche. Dans la recherche sur le cancer, où de nombreuses mutations existent souvent dans le génome, GET pourrait aider à identifier les combinaisons génétiques pertinentes, rationalisant ainsi les efforts de recherche.