Intelligence artificielle et recherche anti-vieillissement
L’intelligence artificielle (IA) est très à la mode depuis quelques années. La réalisation de son potentiel en a fait un outil de choix dans la recherche contre le vieillissement.
L’intelligence artificielle ou IA: une (re)découverte qui fascine
Le principe de ce que l’on nomme l’IA est en fait très vieux ; tout est relatif. C’est Alan Turing, qui, en 1936, énonce que tout ce qui est calculable l’est par une machine logique [2]. Ceci est le socle commun de toute l’informatique actuelle.
Plus tard, en 1943, McCulloch et Pitts, décrivent le fonctionnement des neurones via des circuits électriques. C’est là que l’idée de « réseaux de neurones » prend forme. Le perceptron naît en 1957 et il est le premier système qu’on pourrait qualifier d’intelligence artificielle, avec un apprentissage par expérience. Cette voie computationnelle a été délaissée pendant longtemps en raison de limitations techniques et de scepticisme.
Aujourd’hui, nous nous servons de l’IA dans presque tous les domaines qui requièrent une approche statistique. Le Big Data, à savoir, de grandes quantités de données, représente le garde-manger des IA.
En résumé, le machine learning est un outil d’analyse statistique fonctionnant par exemple via des réseaux de neurones. Les réseaux de neurones peuvent s’appliquer à des données d’origine variée. Ils appliquent à ces données des modifications via la fonction d’activation de chaque neurone y ayant accès, avant de sortir un résultat ou de le passer à la couche de neurones suivants quand il s’agit d’un réseau multicouches.
Parler des IA « en général » n’a pas forcément de sens. Une IA est en fait un algorithme, et ses capacités dépendront intégralement de la programmation de l’algorithme. Il existe de nombreuses méthodes en fonction de ce que l’on cherche à obtenir [3]. Nous allons en voir quelques-unes. D’abord, le « deep learning » est un sous-domaine du machine learning qui implique de très larges quantités de données et des capacités de traitements importantes. Ensuite, une fois les informations assimilées, on peut influer sur le type de réseaux de neurones programmés à volonté et ainsi faire varier le traitement de ces informations.
Il existe des réseaux de neurones à apprentissage supervisé, et des réseaux à apprentissage non supervisé.
La grande différence est que le réseau non supervisé (reinforcement learning) n’a pas besoin de validation de la part du programmeur. L’IA va chercher à extraire un « sens » seule de la plage de données (qui peut n’en avoir aucun).
Une base de données gigantesque, idéale pour entraîner les intelligences artificielles pour lutter contre le vieillissement
Nous savons que la quantité de données générées par le réseau internet est gigantesque. Le moteur de recherche Google traite plus de 40 000 recherches par seconde, chaque minute environ 4 150 000 vidéos sont regardées sur YouTube, les utilisateurs d’Instagram postent 46 740 photos par minute : tout cela pour vous dire que nous ne manquons pas de données. Encore faut-il qu’elles aient un intérêt.
Ces exemples soulignent une vérité capitale : de plus en plus de personnes utilisent les outils informatiques. De ce fait, de plus en plus de données sont générées et stockées.
Ceci concerne également les hôpitaux et centres de soin, qui s’informatisent enfin.
Des approches comme la microfluidique dans le domaine biologique peuvent également participer très efficacement à la production de données biologiques. Cette technologie permet d’étudier la réaction des cellules à une échelle microscopique sur de minuscules répliques de nos tissus, des dispositifs de biotechnologie appelés les organes sur puce. Les organes sur puce sont un bon moyen de réduire le champ des possibles offerts par l’intelligence artificielle afin de prendre le relais après l’analyse des données. Ils permettent de tester une molécule proposée in vitro de façon rapide et efficace, sans cobaye. Les résultats des analyses de data sont ainsi testés sur les organes sur puce, et au terme de cette étape, seule subsiste une quantité d’information que le cerveau humain est désormais capable de traiter, en ayant la certitude qu’elles sont pertinentes, car comment pourrions-nous appréhender les volumes de données dont nous nourrissons les IA ?
Ces masses de données ne font aucun sens telles quelles, nous ne sommes pas capables d’appréhender de telles quantités. C’est un problème qui ressemble alors à l’image classique de la liste d’interactions et de mécanismes biologiques qui permettent le fonctionnement de notre organisme : on ne peut pas espérer y prédire quoi que ce soit en regardant cette quantité gigantesque d’informations et d’interactions. L’extrême complexité du fonctionnement du vivant implique un très grand nombre de données générées lors des analyses. Sans compter les données dont nous ne disposons même pas…
La gestion et l’organisation des données pour leur utilisation future est un défi majeur pour le Big Data et son intégration à l’analyse des IA [4]. L’intelligence artificielle pourrait-elle nous aider à résoudre ces défis ?
Le besoin d’intelligence artificielle dans l’analyse du vieillissement
Dans les domaines du vieillissement et du médical, les capacités de l’intelligence artificielle sont très intéressantes. Elles permettent de faire des liens que nous n’aurions pas vus autrement, de dégager des tendances invisibles, de proposer des modèles, des généralisations, déterminer des causalités… Et tout cela peut être extrêmement bénéfique pour les médecines préventives et régénératives [1, 6].
Comme nous l’avons évoqué, les données que nous produisons ne sont plus traitables par nos cerveaux de primates. Notre cerveau est évidemment conditionné par notre histoire évolutive et n’est pas capable de tout. Pour analyser un phénomène si complexe et dépendant de tant de facteurs que le vieillissement, nous avons besoin d’aide pour traiter les masses de données qui en découlent.
Nous avons justement les statistiques pour nous aider à extraire un sens de nombreuses informations. Les réseaux de neurones nés du domaine de l’intelligence artificielles sont un de ces outils statistiques, et c’est le plus efficace à ce jour : nous avons besoin des capacités de calcul et de synthèse probabiliste de ces algorithmes. De plus, ils permettent parfois de mettre en évidence des biais cognitifs humains.
C’est le cas par exemple de Word2Vec : une IA de Google dont l’objectif est de reconnaître et déterminer le sens des mots, la sémantique. Pour W2Vec, « Docteur » + « Femme » = « Infirmière ». Ce résultat peut paraître injuste, sexiste même, mais l’intelligence artificielle ne fait pas de morale, elle fait des statistiques. Ce que l’algorithme révèle, ce ne sont pas ses biais, mais nos propres biais qui se ressentent sur l’échantillon statistique.
Les IA pourraient donc représenter notre meilleure chance à l’heure actuelle de tirer du sens des données récoltées. C’est le pari de BioViva, une entreprise fondée par Elizabeth Parrish, spécialisée dans l’analyse des données médicales et le développement de traitements adaptés. Depuis 2015, l’année de lancement, la gestion des données a énormément évolué et les outils bioinformatiques permettent à BioViva et à ses docteurs de proposer des traitements adaptés à chaque individu, dans un objectif de médecine personnalisée. Le but est de donner accès rapidement à des traitements efficaces, spécialement dans le domaine de la thérapie génique contre le vieillissement.
Des résultats qui montrent les capacités d’analyse de l’IA sur des sujets comme le vieillissement
L’IA a réussi son pari de passer de l’engouement irrationnel à la preuve de concept, pour aujourd’hui être massivement plébiscitée par tous les domaines, et en particulier le domaine médical. Mouseage est par exemple une initiative qui vise à photographier chaque jour des souris afin que l’algorithme d’analyse (Deep Neural Network) puisse en sortir une « horloge du vieillissement » des souris. Après le test de l’algorithme développé sur application mobile, l’extraction de potentiels marqueurs du vieillissement précède le stockage des données. L’étape suivante est d’appliquer ces marqueurs extraits à d’autres organismes modèles puis à l’Homme ; il serait ainsi possible de s’appuyer sur des algorithmes qui ont fait leurs preuves pour évaluer le vieillissement humain à partir de photographies, dès lors que les marqueurs équivalents sont identifiés.
Les premiers algorithmes « grand public » de deep learning étaient des algorithmes d’analyse d’images. Aujourd’hui, ceux-ci ont réuni assez de données pour être bien plus efficaces qu’un dermatologue devant une photo de notre peau. Un autre exemple est Arterys Cardio DL, une intelligence artificielle assistante d’analyse d’images radiologiques de cardiologie approuvée par la FDA (US Food&Drugs Administration) et qui est largement utilisée aujourd’hui, limitant les erreurs humaines.
De nombreuses entreprises ont développé des biomarqueurs du vieillissement en utilisant de multiples facteurs. Ceux-ci vont de tests sanguins ou du séquençage du microbiote à la voix, ou à des scans rétiniens. La multiplication des facteurs pour la prise de décision augmente la robustesse des calculs et des estimations, tant que l’on reste capable d’appliquer à chaque élément sa juste valeur par rapport aux autres.
Une autre approche consiste à comparer des espèces entre elles. L’objectif est pour l’IA de déterminer des motifs récurrents, dans les populations, qui moduleraient la courbe du vieillissement chez différentes espèces, c’est-à-dire trouver des biomarqueurs. Ceci pourrait également permettre de dégager des tendances évolutives liées au vieillissement.
Au-delà de ces applications, les intelligences artificielles réussissent à analyser des traitements thérapeutiques, à en développer de nouveaux et à prédire leurs effets [6]. Elles peuvent également de mieux en mieux trouver les conformations des protéines, c’est à dire leur organisation dans l’espace. Une tâche très complexe, qui nécessitait le concours de beaucoup de participants sur l’application collaborative Foldit par exemple.
L’aspect créatif des IA semble de plus en plus accepté avec l’exemple du 37e coup d’AlphaGo [8] qui a surpris les professionnels avant de se montrer décisif une centaine de coups plus tard. Ou encore les avancées récentes d’AlphaStar [9] sur Starcraft II et de DeepMind en général (conformation protéique comprise).
Ces développements permettent d’appréhender l’aspect créatif, contre-intuitif et pourtant si efficace du machine learning qu’il est aujourd’hui possible de coder.
Les limites de l’IA: morale, vieillissement, vie privée
L’intelligence artificielle est comme toutes les disciplines : elle porte aujourd’hui des débats quant à son utilisation, son champ d’application, ses capacités, même. Ces débats sont très liés aux données, car comme nous l’avons vu, la phase d’apprentissage en requiert beaucoup. Le problème de l’utilisation des données personnelles est complexe et implique de nombreux acteurs du web, comme nous avons pu le constater avec le règlement RGPD sur la protection des données en Europe.
L’IA peut permettre de réaliser des prévisions, de cibler un comportement. Par exemple, certains algorithmes ont été capables de deviner que des femmes étaient enceintes grâce à leur historique internet avant même qu’elles ne l’apprennent elles-mêmes, en réalisant des analyses prédictives [5]. N’oublions pas que les IA sont soumises au code que nous écrivons et aux données auxquelles elles seront exposées. Les résultats peuvent donc parfois être étonnants au premier abord.
Plusieurs scientifiques et philosophes (Ray Solomonoff) s’intéressent à la « morale des IA » et aux façons de les programmer pour limiter l’impact négatif potentiel [7]. Mais la morale des IA n’est que celle des développeurs en fonction de leurs besoins et envies.
A l’heure de la médecine génomique, de l’analyse des comportements et des suggestions (vidéos, produits, buzz) certains s’inquiètent de l’utilisation qui sera faite des données de santé. Ils redoutent notamment que des compagnies d’assurance s’arrogent le droit de refuser de couvrir des personnes avec des prédispositions génétiques pour certaines maladies.
Les algorithmes de recommandation tel que celui de YouTube vont-ils continuer à maximiser le simple temps de visionnage sans prendre en compte les vidéos visionnées ?
Lê de la chaîne Science4All suggère la possibilité pour YouTube de modifier son algorithme de recommandation [7]. Ceci permettrait d’orienter les utilisateurs vers un contenu plus qualitatif ou critique par exemple. Si l’algorithme de suggestion favorise les contenus visant à lutter contre le changement climatique, on pourrait penser que cela serait globalement positif. Cela pose cependant des problèmes de légitimité, d’influence mais aussi d’autorité de YouTube vis-à-vis de ses utilisateurs. Très récemment, YouTube a annoncé une modification de l’algorithme de recommandation dans le but de réduire la visibilité des thèses complotistes. Mais comment l’algorithme va-t’il réussir à discriminer parmi tant de contenu ?
L’intelligence artificielle est donc un domaine d’étude pouvant se révéler extrêmement puissant et utile. Les outils que ce domaine produit, comme tous les outils, présentent un risque non négligeable d’utilisations problématiques. Il convient donc de réfléchir sur ces sujets afin de prévoir à notre tour, et ainsi pouvoir utiliser de façon optimale la puissance de l’intelligence artificielle dans la recherche et la lutte contre le vieillissement.
Louis Kokkinis
Author
Auteur
Louis is responsible for the vulgarization of articles and scientific watch for Long Long Life.
He is currently studying biology remotely at Aix-Marseille University. He also works on multiple biotechnology and engineering projects.
More about the Long Long Life team
Louis est responsable de la rédaction d’articles de vulgarisation et de veille scientifique pour Long Long Life. Il étudie la biologie à distance à l’université d’Aix Marseille. Il est également porteur de plusieurs projets de biotechnologies et ingénierie.
En savoir plus sur l’équipe de Long Long Life
References:
[1] Alex Zhavronkov, Polina Mamoshina, Quentin Vanhaelen, Morten Scheibye-Knudsen, Alexey Moskalev, Alex Aliper. Artificial intelligence for aging and longevity research: Recent advances and perspectives, Ageing Research Reviews, 49 (2019), pp. 49-66
[2] A. M. TURING. (1936) ON COMPUTABLE NUMBERS, WITH AN APPLICATION TO THE ENTSCHEIDUNGSPROBLEM
[3] Jain, A. K., Jianchang Mao, & Mohiuddin, K. M. (1996). Artificial neural networks: a tutorial. Computer, 29(3), 31–44.
[4] Chen, M., Mao, S., & Liu, Y. (2014). Big Data: A Survey. Mobile Networks and Applications, 19(2), 171–209.
[5] How companies learn your secrets, Charles Duhigg, 2012. New York Times
[6] Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, S36–S40.
[7] Lê Nguyên Hoang. (2018). L’intelligence artificielle et le machine learning. Playlist YouTube
[8] David Louapre. (2019). https://sciencetonnante.wordpress.com/2019/01/23/ia-creativite/
[9] https://deepmind.com/blog/alphastar-mastering-real-time-strategy-game-starcraft-ii/
