Contexte et enjeux
Le génome humain compte environ trois milliards de paires de bases réparties sur 23 paires de chromosomes. Plus de 20 000 gènes codent des protéines, mais chaque gène peut produire des dizaines voire des centaines d’isoformes grâce à l’épissage alternatif. Cette densité de variantes – estimées à plus de 100 millions d’allèles différents dans la population – crée un espace de recherche que les algorithmes d’apprentissage automatique peinent à explorer intégralement.
Limites techniques des modèles d’IA
Les réseaux de neurones profonds, comme DeepVariant ou AlphaFold, reposent sur des jeux de données annotées. Dans le domaine de la génomique, les ensembles d’entraînement sont souvent limités à des variantes déjà cataloguées dans des bases comme dbSNP, qui ne couvrent qu’une fraction des mutations rares. Cette rareté entraîne un sur‑apprentissage : les modèles affichent des scores élevés sur les jeux de validation internes mais échouent à généraliser sur des cohortes cliniques non représentées. De plus, la plupart des architectures utilisent des représentations linéaires de séquences (k‑mers ou embeddings), négligeant les interactions à longue distance qui régulent l’expression génétique.
Contraintes biologiques et données
Les phénomènes épigénétiques – méthylation, modifications d’histones – modulent l’accès à l’ADN sans changer la séquence. Aucun jeu de données public ne combine simultanément séquence, épigénome et profil d’expression à l’échelle du génome, ce qui empêche les modèles d’apprendre les corrélations fonctionnelles. En outre, les données cliniques sont souvent fragmentées entre hôpitaux, soumises à des réglementations de confidentialité (HIPAA, GDPR) et manquent de labels de phénotypes précis, rendant impossible l’entraînement supervisé de grande ampleur.
Perspectives et exigences
Pour que l’IA devienne réellement exploitable en génomique, il faut d’abord enrichir les bases de référence avec des annotations fonctionnelles à haute résolution et standardiser les formats d’échange (VCF, BED). Ensuite, les modèles devront intégrer des mécanismes d’attention capables de capturer les interactions chromosomiques (ex. Hi‑C) et d’associer séquence, épigénome et transcriptome. Enfin, des protocoles d’évaluation robustes – tests croisés sur cohortes multi‑ethniques, mesures de confiance calibrées – sont indispensables pour éviter les biais cliniques et garantir la reproductibilité des prédictions.
