Des chercheurs ont utilisé l’intelligence artificielle pour décoder les « commutateurs » de l’ADN des plantes, permettant de prédire le contrôle des gènes avec une précision accrue. Cette technologie analyse les séquences non codantes du génome pour comprendre comment les plantes régulent leurs fonctions biologiques face aux variations environnementales.
Comment l’IA interprète-t-elle les séquences non codantes ?
La majorité de l’ADN d’une plante ne contient pas d’instructions directes pour la fabrication de protéines. Ces zones, appelées régions non codantes, agissent comme des régulateurs. Selon les spécialistes en génomique, ces séquences déterminent quand, où et avec quelle intensité un gène doit s’activer.
Les modèles d’intelligence artificielle, notamment les architectures basées sur les transformeurs, traitent l’ADN comme un langage complexe. Cette méthode repose sur l’alphabet biologique composé de quatre bases azotées : l’adénine (A), la cytosine (C), la guanine (G) et la thymine (T). Au lieu de lire les gènes de manière isolée, l’algorithme identifie des motifs répétitifs et des relations spatiales entre ces bases. Grâce aux mécanismes d’attention propres aux transformeurs, l’IA peut identifier des corrélations entre des nucléotides situés à des distances importantes sur une même chaîne d’ADN, ce qui est essentiel pour comprendre la structure tridimensionnelle de la chromatine.
Cette approche permet de repérer les promoteurs et les activateurs, ces fameux « commutateurs » qui déclenchent des réponses biologiques spécifiques. L’analyse de ces motifs permet de passer d’une simple lecture du code à une compréhension de sa logique opérationnelle. Les chercheurs peuvent désormais anticiper la réaction d’une cellule avant même que le stress environnemental ne survienne.
Un levier pour l’adaptation climatique des cultures
L’identification de ces commutateurs génétiques offre des perspectives directes pour la sécurité alimentaire. Face à l’augmentation des périodes de sécheresse et des vagues de chaleur, la capacité à modifier la réponse des plantes devient une priorité pour l’agriculture de précision.
L’utilisation de l’IA permet d’accélérer la sélection de variétés plus résistantes. Traditionnellement, l’amélioration des plantes repose sur la sélection phénotypique, qui consiste à observer les traits physiques des plantes après leur croissance. Ce processus suit des cycles de croissance longs et des observations physiques souvent imprévisibles. Le passage à une sélection basée sur la prédiction génotypique permet de court-circuiter une partie de ces étapes en simulant numériquement les résultats de certaines variations génétiques.
Avec la prédiction du contrôle génétique, les scientifiques peuvent cibler précisément les séquences qui favorisent la rétention d’eau ou la tolérance thermique. Cette méthode réduit le besoin de tests de terrain massifs et coûteux. En modulant les commutateurs plutôt qu’en modifiant les gènes eux-mêmes, il devient possible d’ajuster la plasticité des cultures sans introduire de modifications radicalement étrangères à l’espèce. Ce processus s’inscrit dans la stratégie de l’agriculture intelligente face au climat, visant à réduire le décalage entre la rapidité du changement climatique et la lenteur de l’évolution des variétés cultivées.
Les défis de la précision et de la complexité génomique
Malgré ces progrès, la prédiction du comportement génétique reste confrontée à des obstacles techniques. Le génome des plantes est souvent plus complexe que celui des animaux en raison de la polyploïdie, un état où les cellules possèdent plusieurs exemplaires de chaque chromosome. De nombreuses cultures majeures, comme le blé ou la pomme de terre, présentent cette caractéristique, ce qui multiplie le nombre de séquences à analyser et la probabilité d’interactions imprévues.
Les modèles actuels doivent traiter une quantité de données exponentielle pour ne pas commettre d’erreurs d’interprétation. Un commutateur identifié dans une espèce, comme l’Arabidopsis thaliana, ne fonctionne pas nécessairement de la même manière dans une culture céréalière comme le maïs ou le blé. L’Arabidopsis thaliana est largement utilisée comme organisme modèle en recherche car son génome est petit et bien documenté, facilitant l’entraînement initial des algorithmes, mais ses mécanismes de régulation diffèrent de ceux des plantes de grande importance économique.
La fiabilité des prédictions dépend également de la qualité des banques de données génomiques disponibles. Les scientifiques soulignent que l’IA ne peut fonctionner efficacement que si elle est alimentée par des séquences de haute précision, annotées avec des données biologiques réelles. La prochaine étape consistera à affiner ces algorithmes pour qu’ils intègrent les interactions entre plusieurs commutateurs agissant simultanément, une dynamique complexe qui régit la survie des plantes dans des environnements instables.
Find more reporting in our Nouvelles section.