Search
  • Article de fond
  • Réseaux Génétiques

Un algorithme pourrait changer la biologie cellulaire

by Eva Voinigescu mai 17 / 17
Un nouvel algorithme de réseau neuronal profond promet de changer le mode de travail des biologistes cellulaires.

L’algorithme analyse automatiquement des données microscopiques par l’examen minutieux de motifs visuels dans la cellule pour déterminer le fonctionnement des protéines et ce qui tourne mal en cas de maladie. Ces recherches, supervisées par Brenda Andrews, Charles Boone et Brendan Frey, boursiers du CIFAR, ont fait la manchette du dernier numéro de Molecular Systems Biology.

Dans un domaine où l’analyse manuelle d’images est toujours pratique courante, des microscopes automatisés captent les données beaucoup plus rapidement que la vitesse d’analyse. Ce nouveau système, appelé DeepLoc, pourrait écourter de semaines ou de mois le travail d’analyse des scientifiques, tout en procurant des résultats plus précis.

« Il y a tant de choses à apprendre par l’observation d’images de cellules : à quoi ressemblent les protéines en conditions normales, et sont-elles différentes dans des cellules porteuses de mutations génétiques, ou qui sont exposées à des médicaments? Les chercheurs ont tenté d’évaluer manuellement comment changent les données, mais cela prend beaucoup de temps », dit Ben Grys, étudiant diplômé à l’Université de Toronto et un des coauteurs de l’article.

DeepLoc constitue une amélioration considérable par rapport aux techniques d’apprentissage automatique antérieures utilisées pour ce type d’analyse d’images microscopiques, mais il s’agit d’une méthode plus lente et difficile à entraîner avec des ensembles nouveaux ou différents de données.

Au cœur du succès de DeepLoc se trouve une méthode d’apprentissage profond qui permet à l’algorithme d’apprendre par lui-même directement des pixels provenant d’images de cellules, plutôt que d’avoir besoin d’instructions détaillées, ce qui était nécessaire avec les systèmes antérieurs de vision artificielle.

Algorithm holds potential to change cell biology
DeepLoc prend des micrographies de protéines de levures comme celles ci-dessus et les classifie automatiquement, permettant ainsi aux chercheurs d’analyser la fonction des protéines et de déterminer ce qui se produit en cas de maladie beaucoup plus rapidement et avec une plus grande précision.

Conséquemment, DeepLoc peut rapidement classer les ensembles de données à partir de sources qui diffèrent de celles utilisées pour son entraînement. Des chercheurs, dont Grys, Oren Kraus, Jimmy Ba et Yolanda Chong, ont entraîné l’algorithme avec une base de données exhaustive comptant 4000 protéines de levures issues de recherches menées par Grys et Kraus. En 2015, l’ensemble de données avait été analysé à l’aide d’une ancienne méthode de vision artificielle qui avait pris des mois à accomplir la tâche. DeepLoc a analysé les mêmes données en quelques heures et a détecté des changements que l’ancienne technologie n’avait pas repérés, comme les effets d’un traitement hormonal.

Afin de classer de nouveaux ensembles de données qui sont très différents de ceux utilisés pour son entraînement, DeepLoc utilise une méthode appelée apprentissage par transfert, où les connaissances acquises lors de la résolution d’un problème sont entreposées et ensuite appliquées à un problème différent, mais connexe.

« Quelqu’un qui a une certaine expérience du codage pourrait mettre en œuvre notre méthode. La personne n’aurait qu’à utiliser notre ensemble d’entraînement sur les images et y ajouter ses propres données. Il ne faut qu’une heure ou moins pour entraîner de nouveau DeepLoc et commencer l’analyse », dit Grys.

En quelques heures, Grys et Kraus ont pu entraîner de nouveau DeepLoc avec des images considérablement différentes provenant d’un autre laboratoire. D’après les chercheurs, l’application de DeepLoc par la communauté plus large de la biologie cellulaire pourrait accélérer les découvertes sur des fonctions protéiques clés, et Kraus et Ba travaillent déjà à la commercialisation de la méthode dans l’espoir de l’appliquer à des développements pharmaceutiques.

« Nous espérons accroître la précision du processus de découverte de médicaments en cernant les effets plus subtils de composés chimiques », dit Kraus.