Une équipe d'informaticiens de l'Université de New York a créé un réseau neuronal capable d'expliquer comment elle parvient à ses prédictions. L’ouvrage révèle ce qui explique la fonctionnalité des réseaux neuronaux – les moteurs qui pilotent l’intelligence artificielle et l’apprentissage automatique – éclairant ainsi un processus qui a été largement caché aux utilisateurs.

Cette percée se concentre sur une utilisation spécifique des réseaux neuronaux qui est devenue populaire ces dernières années et qui s’attaque à des questions biologiques difficiles. Parmi ceux-ci figurent des examens des subtilités de l’épissage de l’ARN – le point central de l’étude – qui joue un rôle dans le transfert d’informations de l’ADN vers l’ARN fonctionnel et les produits protéiques.

"De nombreux réseaux de neurones sont des boîtes noires : ces algorithmes ne peuvent pas expliquer leur fonctionnement, ce qui soulève des inquiétudes quant à leur fiabilité et étouffe les progrès dans la compréhension des processus biologiques sous-jacents au codage du génome", déclare Oded Regev, professeur d'informatique au Courant Institute of Mathematical Sciences de NYU. et l'auteur principal de l'article, publié dans le Actes de l'Académie nationale des sciences.

"En exploitant une nouvelle approche qui améliore à la fois la quantité et la qualité des données pour la formation en apprentissage automatique, nous avons conçu un réseau neuronal interprétable capable de prédire avec précision des résultats complexes et d'expliquer comment il parvient à ses prédictions."

Regev et les autres auteurs de l'article, Susan Liao, professeure au Courant Institute, et Mukund Sudarshan, doctorant Courant au moment de l'étude, ont créé un réseau neuronal basé sur ce que l'on sait déjà sur l'épissage de l'ARN.

Plus précisément, ils ont développé un modèle – l’équivalent d’un microscope haute puissance basé sur les données – qui permet aux scientifiques de suivre et de quantifier le processus d’épissage de l’ARN, de la séquence d’entrée à la prédiction de l’épissage de sortie.

"En utilisant une approche" interprétable par conception ", nous avons développé un modèle de réseau neuronal qui fournit des informations sur l'épissage de l'ARN, un processus fondamental dans le transfert d'informations génomiques", note Regev. "Notre modèle a révélé qu'une petite structure en forme d'épingle à cheveux dans l'ARN peut diminuer l'épissage."

Les chercheurs ont confirmé les informations fournies par leur modèle grâce à une série d’expériences. Ces résultats correspondent à la découverte du modèle : chaque fois que la molécule d'ARN se repliait dans une configuration en épingle à cheveux, l'épissage était interrompu, et au moment où les chercheurs perturbaient cette structure en épingle à cheveux, l'épissage était restauré.