L'IA repère les cellules mortes 100 fois plus vite que les humains, un atout potentiel contre la maladie d'Alzheimer

Comprendre quand et pourquoi une cellule meurt est essentiel pour étudier le développement humain, les maladies et le vieillissement. Pour les maladies neurodégénératives, comme la maladie de Lou Gehrig, la maladie d'Alzheimer et la maladie de Parkinson, identifier les neurones morts et mourants est crucial pour concevoir et tester de nouveaux traitements. 

Mais repérer les cellules mortes peut s'avérer difficile. Jusqu'à présent, les scientifiques devaient marquer manuellement, au microscope, les cellules qui semblaient vivantes et celles qui semblaient mortes. Les cellules mortes ont un aspect ratatiné caractéristique, relativement facile à reconnaître lorsqu'on sait quoi chercher. 

Les chercheurs ont fait appel à toute une armée d'étudiants stagiaires rémunérés à l'heure pour examiner des milliers d'images et compter le moment où chaque neurone d'un échantillon est mort. Malheureusement, faire cela à la main est un processus lent, coûteux et parfois sujet aux erreurs.

Ce qui complique encore la situation, c'est que les scientifiques ont récemment commencé à utiliser des microscopes automatiques pour capturer en continu des images de cellules au fil du temps. Si les microscopes automatisés facilitent la prise de vue, ils génèrent aussi une énorme quantité d'images à trier manuellement. 

Il est devenu clair que la sélection manuelle n'est ni précise ni efficace. De plus, la plupart des méthodes d'imagerie ne permettent de détecter que les stades tardifs de la mort cellulaire, parfois plusieurs jours après que la cellule a déjà commencé à se désintégrer. Il est donc difficile de distinguer ce qui a réellement provoqué la mort de la cellule des facteurs qui ne font que participer à sa dégradation.

Les scientifiques ont pendant un certain temps tenté d'automatiser le processus de sélection. Les premières tentatives ne parvenaient pas à gérer la grande variété de types de cellules et de microscopes utilisés en recherche, et ne pouvaient pas rivaliser avec la précision des stagiaires. 

Mais une nouvelle technologie d'intelligence artificielle mise au point par une équipe de recherche peut identifier les cellules mortes avec une précision et une rapidité surhumaines. Ce progrès pourrait potentiellement accélérer toutes sortes de recherches biomédicales, en particulier dans le domaine des maladies neurodégénératives.

Récemment, l'intelligence artificielle a envahi le domaine de la microscopie. Une forme d'IA appelée réseaux de neurones convolutifs, ou CNN, présente un intérêt particulier, car elle peut analyser des images aussi précisément que des humains.

Les réseaux de neurones convolutifs peuvent être entraînés à reconnaître et détecter des motifs complexes dans les images. Comme pour la vision humaine, fournir à un CNN de nombreux exemples d'images et lui indiquer sur quelles caractéristiques se concentrer peut apprendre à l'ordinateur à reconnaître les motifs recherchés.

Ces motifs peuvent inclure des phénomènes biologiques difficiles à voir à l'œil nu. Par exemple, une équipe de recherche a réussi à entraîner un CNN à identifier le cancer de la peau plus précisément que des dermatologues formés. Plus récemment, des scientifiques ont pu entraîner un CNN à identifier des signatures biologiques complexes, comme le type cellulaire, sur des images microscopiques.

Forts de ces travaux, des chercheurs de l'Institut Gladstone de l'Université de Californie à San Francisco ont développé une nouvelle technologie, appelée CNN optimisés par biomarqueurs (BO-CNN), pour détecter les cellules mortes. Ils devaient d'abord apprendre au BO-CNN à distinguer les cellules manifestement mortes des cellules manifestement vivantes. 

Ils ont donc préparé une boîte de Pétri contenant des neurones de souris conçues pour produire une protéine non toxique appelée indicateur de mort génétiquement codé (GEDI), qui colorait les cellules vivantes en vert et les cellules mortes en jaune. Le BO-CNN a pu facilement apprendre que le vert signifie « vivant » et le jaune « mort ». Mais il a aussi étudié d'autres caractéristiques distinguant les cellules vivantes des cellules mortes, qui ne sont pas aussi évidentes pour l'œil humain.

Une fois que le BO-CNN a appris à identifier les caractéristiques distinguant les cellules vertes des cellules jaunes, on lui a présenté des neurones qui ne se différenciaient pas par la couleur. Le BO-CNN a pu étiqueter correctement les cellules vivantes et mortes nettement plus vite et plus précisément que des humains formés à faire la même chose. Le modèle pouvait même examiner des images de types cellulaires qu'il n'avait jamais vus, prises avec différents types de microscopes, et identifier tout de même correctement les cellules mortes.

Restait cependant une question évidente : pourquoi le modèle des chercheurs était-il si efficace pour détecter les cellules mortes ?

Les scientifiques considèrent souvent les décisions prises par les CNN comme des boîtes noires, la stratégie qu'utilise l'ordinateur pour résoudre une tâche visuelle étant jugée moins importante que ses performances. Pourtant, puisque la structure cellulaire doit comporter certains motifs sur lesquels le modèle s'appuie pour décider, identifier ces motifs peut aider les scientifiques à mieux déterminer à quoi ressemble la mort cellulaire et à comprendre pourquoi elle survient.

Pour découvrir quels sont ces motifs, l'équipe a utilisé des outils informatiques supplémentaires afin de créer des représentations visuelles des décisions du BO-CNN. Il est apparu que leur modèle détecte en partie la mort cellulaire en se concentrant sur les changements des motifs de fluorescence dans le noyau de la cellule. C'est une caractéristique que les experts humains ne connaissaient pas auparavant, et cela pourrait expliquer pourquoi la conception des modèles d'IA précédents était moins précise que celle du BO-CNN.

Les chercheurs estiment que leur approche représente un progrès significatif dans l'utilisation de l'intelligence artificielle pour étudier une biologie complexe, et que cette preuve de concept pourrait être largement appliquée au-delà de la détection de la mort cellulaire dans les images microscopiques. Leur logiciel est open source et accessible au public.

La microscopie de cellules vivantes est extrêmement riche en informations que les chercheurs peinent à interpréter. Mais grâce à des technologies comme le BO-CNN, ils peuvent désormais utiliser les signaux émis par les cellules elles-mêmes pour entraîner une IA à reconnaître et interpréter les signaux d'autres cellules. En éliminant les suppositions humaines, les BO-CNN améliorent la reproductibilité et la rapidité de la recherche et peuvent aider les scientifiques à détecter de nouveaux phénomènes dans les images qu'ils ne pourraient pas facilement reconnaître autrement.

Grâce à l'intelligence artificielle, l'équipe de recherche travaille actuellement à étendre sa technologie BO-CNN pour prédire l'avenir, c'est-à-dire repérer les cellules endommagées avant même qu'elles ne commencent à mourir. Elle estime que cela pourrait changer la donne dans la recherche sur les maladies neurodégénératives, en aidant à trouver de nouvelles façons d'empêcher la mort des neurones et, à terme, à mettre au point des traitements plus efficaces.