Et si la biologie moderne était devenu trop complexe pour le cadre scientifique actuel et que les nouvelles informations recueillies en superposant les technologies afin d’analyser le fonctionnement des protéines, des cellules et du corps ne fournissaient pas de nouvelles connaissances mais seulement des éléments de confusion ? Le déluge de données, au lieu de nous aider à comprendre plus profondément la biologie, ne fait qu’invoquer le réductionnisme, dans une vaine tentative de donner un sens à l’information.
Peut-être avons-nous besoin d’une nouvelle architecture permettant d’appréhender la complexité de la biologie avec de nouveaux principes et un nouveau langage ? Une telle approche en biologie pourrait venir du monde de l’informatique et de la puissance issue de l’apprentissage machine.
Lorsque les systèmes deviennent suffisamment complexes, de nouveaux comportements apparaissent qui ne peuvent plus être dérivés des règles qui régissent les composants. Ce concept est appelé « émergence ». Il s’agit d’une idée fondamentale dont l’origine est ancienne (décrite pour la première fois par Aristote il y a plus de deux millénaires) et qui concerne les propriétés des systèmes complexes. Aristote l’a identifié comme « les choses qui ont plusieurs parties et dont la totalité n’est pas, pour ainsi dire, un simple amas, mais le tout est quelque chose qui va au-delà de la somme des parties ». Avec de tels systèmes émergents, en savoir plus ne signifie pas que l’on comprend mieux.
De nouveaux outils nous permettent de générer de riches ensembles de données multidimensionnelles à des échelles et des résolutions qui dépassent notre capacité humaine d’interprétation. Mais trop souvent, une fois que les données arrivent, elles sont trop complexes à comprendre. De multiples protéines et voies sont activées chez le patient qui répond, et elles n’ont aucun sens de manière discernable. Au lieu de supposer que ces données indiquent les lois émergentes de la tumeur et de son micro-environnement, nous choisissons souvent les protéines et les voies les plus sur- ou sous-représentées et nous en tirons une histoire que nous pouvons comprendre.
Quelle est la perte induite par le rejet de données non comprises ? Quelle quantité d’informations sur la croissance des tumeurs ou sur la réponse du système immunitaire serait découverte si l’on abordait la biologie d’une autre manière ? Et si nous étions ouverts aux lois biologiques émergentes cachées dans parmi nos observations ?
L’apprentissage machine pourrait constituer une solution. De nombreuses applications montrent que les machines peuvent traiter des informations complexes qui échappent au cerveau humain. Ces dernières années, les ordinateurs, les séquenceurs d’ADN et d’autres outils ont généré des connaissances uniques sur des défis difficiles qui ont longtemps échappé à la compréhension humaine. Malgré les limites actuelles de l’intelligence artificielle (IA) à reproduire des tâches aisément exécutables par les humains, les algorithmes modernes sont performants bons pour traiter des tâches qui nous sont quasiment impossibles : extraire les principes directeurs de systèmes complexes.
La suite ici ( Jordi Mata-Fink, Nicholas Plugis)
