TranscriptFormer : l'IA générative cartographie l'atlas cellulaire à travers 1,5 milliard d'années d'évolution

Introduction

Dans une étude révolutionnaire publiée dans le numéro de juillet 2026 de Science (Volume 393, numéro 6806), des chercheurs ont présenté TranscriptFormer, un modèle d'intelligence artificielle générative capable de construire un atlas cellulaire complet couvrant 1,5 milliard d'années d'évolution. Cette approche innovante utilise l'apprentissage profond pour cartographier les états cellulaires chez diverses espèces, offrant des perspectives sans précédent sur les origines évolutives des types cellulaires et des réseaux de régulation génique.

Qu'est-ce que TranscriptFormer ?

TranscriptFormer est un modèle d'IA générative conçu pour prédire et reconstruire les profils d'expression génique chez un large éventail d'organismes. En s'entraînant sur de vastes ensembles de données de transcriptomique unicellulaire, le modèle apprend les schémas sous-jacents de la régulation génique qui sont conservés ou divergents au cours du temps évolutif. Le résultat est un atlas cellulaire dynamique qui non seulement catalogue les types cellulaires connus, mais prédit également les états cellulaires ancestraux et intermédiaires.

L'architecture du modèle est basée sur des réseaux de transformeurs, similaires à ceux utilisés dans les grands modèles de langage comme GPT, mais adaptés aux données de séquences biologiques. Il traite les données d'expression génique comme un langage, où le niveau d'expression de chaque gène est analogue à un mot dans une phrase, et le contexte cellulaire fournit la grammaire. Cela permet à TranscriptFormer de générer des profils d'expression plausibles pour des cellules qui n'ont jamais été observées expérimentalement, comblant ainsi les lacunes de notre compréhension évolutive.

Principales découvertes

L'étude démontre que TranscriptFormer peut reconstruire avec précision des types cellulaires d'organismes séparés par jusqu'à 1,5 milliard d'années d'évolution, y compris les animaux, les plantes, les champignons et les protistes. Le modèle identifie des programmes de régulation génique fondamentaux qui sont universellement conservés, ainsi que des innovations spécifiques à certaines lignées qui ont donné naissance à des tissus et organes complexes.

L'une des découvertes les plus frappantes est la prédiction d'un type cellulaire ancestral commun qui existait probablement chez le dernier ancêtre commun eucaryote (LECA). Ce type cellulaire hypothétique présente une combinaison de caractéristiques observées dans les cellules souches et les cellules immunitaires modernes, suggérant que les premiers eucaryotes possédaient une forme primitive de différenciation cellulaire.

De plus, TranscriptFormer révèle comment certains réseaux de régulation génique ont été réutilisés au cours de l'évolution. Par exemple, les gènes impliqués dans le développement neural chez les animaux présentent des similitudes avec les gènes contrôlant les réponses au stress chez les plantes, indiquant des liens évolutifs profonds entre des processus biologiques apparemment sans rapport.

Méthodologie

Les chercheurs ont compilé un ensemble de données massif de séquençage d'ARN unicellulaire provenant de plus de 100 espèces, représentant les principales branches de l'arbre de vie eucaryote. Ces données ont été utilisées pour entraîner le modèle TranscriptFormer de manière auto-supervisée, où le modèle a appris à prédire des valeurs d'expression génique masquées en fonction du contexte environnant.

Pour valider les prédictions du modèle, l'équipe les a comparées à des atlas cellulaires déterminés expérimentalement provenant d'espèces non incluses dans l'ensemble d'entraînement. TranscriptFormer a atteint une grande précision dans la reconstruction des types cellulaires connus et a également identifié de nouveaux états cellulaires qui ont ensuite été confirmés par des expériences ciblées.

Les capacités génératives du modèle ont été testées davantage en simulant des scénarios évolutifs, tels que la transition de la vie unicellulaire à la vie multicellulaire. TranscriptFormer a prédit avec succès des types cellulaires intermédiaires qui comblent le fossé entre les ancêtres unicellulaires et les organismes multicellulaires complexes, fournissant un cadre computationnel pour étudier les transitions évolutives.

Implications pour la biologie et la médecine

TranscriptFormer a des implications considérables tant pour la biologie fondamentale que pour la médecine appliquée. En fournissant une vue complète de la diversité cellulaire à travers l'évolution, le modèle peut aider à identifier les gènes et les voies conservés qui sont critiques pour la fonction cellulaire. Ces connaissances peuvent éclairer le développement de nouvelles thérapies pour les maladies impliquant un dysfonctionnement cellulaire, comme le cancer et les troubles dégénératifs.

De plus, la nature générative de TranscriptFormer permet aux chercheurs d'explorer des scénarios hypothétiques, comme la façon dont une cellule pourrait répondre à des perturbations génétiques ou à des changements environnementaux. Cela pourrait accélérer la découverte de médicaments en prédisant les effets hors cible ou en identifiant de nouvelles cibles thérapeutiques.

L'étude ouvre également de nouvelles voies pour la biologie évolutive du développement (évo-dévo), permettant aux scientifiques de tester des hypothèses sur l'origine des types cellulaires et les changements génétiques qui ont conduit à des innovations évolutives majeures.

Limitations et orientations futures

Bien que TranscriptFormer représente une avancée majeure, les auteurs reconnaissent plusieurs limitations. Les prédictions du modèle ne sont aussi bonnes que les données d'entraînement, et les biais dans la représentation des espèces ou les conditions expérimentales pourraient affecter la précision. De plus, le modèle ne prend pas en compte les modifications épigénétiques ou la régulation post-transcriptionnelle, qui jouent un rôle important dans l'identité cellulaire.

Les travaux futurs se concentreront sur l'intégration de données multi-omiques, y compris l'accessibilité de la chromatine et les niveaux de protéines, pour créer une vision plus holistique des états cellulaires. Les chercheurs prévoient également d'étendre l'atlas à davantage d'espèces, en particulier celles provenant de branches sous-étudiées de l'arbre de vie.

Conclusion

TranscriptFormer marque une nouvelle ère en biologie computationnelle, où l'IA générative peut reconstruire l'histoire évolutive des cellules avec une fidélité remarquable. En couvrant 1,5 milliard d'années d'évolution, cet atlas cellulaire fournit un cadre unificateur pour comprendre la diversité cellulaire et les principes de la régulation génique. Alors que le modèle continue d'évoluer, il promet de transformer notre compréhension des fondements cellulaires de la vie.

Cet article est basé sur un reportage de Science (AAAS). Lire l'article original.