Pourquoi AlphaFold n'a pas résolu le repliement des protéines : Pushmeet Kohli (Google DeepMind) et Sal Candido (Biohub)
Lors d'une table ronde modérée par Brandon Anderson, Pushmeet Kohli, de Google DeepMind, et Sal Candido, de Biohub, ont débattu de ce qu'il faut pour construire une IA qui comprenne réellement la biologie. Leur point de départ est la « leçon amère » de l'IA, selon laquelle l'augmentation de la puissance de calcul et des données finit par l'emporter. Les deux intervenants nuancent cette idée pour le vivant. Ils estiment qu'il importe davantage de trouver la bonne loi d'échelle que d'accroître aveuglément la taille des modèles. Sal Candido explique que des données métagénomiques de faible qualité peuvent malgré tout améliorer les modèles de langage de protéines. Pushmeet Kohli rappelle qu'AlphaFold reposait sur une architecture conçue à la main, nourrie d'intuition scientifique, et que la qualité des données compte plus que leur volume. Tous deux affirment que, contrairement à une idée répandue, le repliement des protéines n'est pas entièrement résolu.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Latent Space. Lire l'article original →
Cette position a des conséquences concrètes pour la recherche. La prédiction de structure reste statique, alors que les protéines bougent, peuvent être désordonnées et n'agissent jamais isolément. Les intervenants jugent donc nécessaire de passer de modèles de protéines individuelles à des modèles de systèmes biologiques entiers, et citent les micrographies de cryo-microscopie électronique comme source possible de représentations plus riches. Construire une « cellule virtuelle » exigerait des jeux de données fondamentalement différents de ceux utilisés jusqu'ici. Les deux invités soulignent aussi que les chercheurs en IA ont tendance à optimiser pour les données disponibles plutôt que pour les problèmes scientifiques les plus importants. Ils précisent que l'on n'est pas entré dans un monde « post-Transformer », même si les architectures évoluent et se spécialisent.
La discussion aborde ensuite la compréhension des modèles. En citant le principe de Feynman, pour qui l'on ne comprend que ce que l'on sait créer, Pushmeet Kohli observe que l'IA peut désormais produire des choses que l'on ne comprend pas. Selon lui, la fiabilité et la calibration de l'incertitude comptent plus que l'interprétabilité totale. Il se demande même si de futurs modèles de pointe pourraient interpréter d'autres systèmes d'IA mieux que les humains. Sal Candido estime que les modèles de langage de protéines contiennent peut-être déjà des connaissances scientifiques encore inexploitées. Il rattache cela à la mission de Biohub, guérir toutes les maladies, qui suppose de viser des percées d'un facteur 10 plutôt que des gains de 10 %. L'IA pourrait, à terme, accélérer la découverte de médicaments d'un facteur 10 à 100.
Pas d'impact direct sur la France/UE