{"id":717,"date":"2025-08-11T13:37:19","date_gmt":"2025-08-11T19:37:19","guid":{"rendered":"https:\/\/medmultilingua.com\/frances\/?p=717"},"modified":"2025-08-11T13:37:19","modified_gmt":"2025-08-11T19:37:19","slug":"intelligence-artificielle-et-genetique-quand-lorigine-ancestrale-fausse-les-algorithmes","status":"publish","type":"post","link":"https:\/\/medmultilingua.com\/frances\/2025\/08\/11\/intelligence-artificielle-et-genetique-quand-lorigine-ancestrale-fausse-les-algorithmes\/","title":{"rendered":"Intelligence artificielle et g\u00e9n\u00e9tique : quand l\u2019origine ancestrale fausse les algorithmes"},"content":{"rendered":"\n<p><strong>Par Dr. Marco V. Benavides S\u00e1nchez<\/strong>.<\/p>\n\n\n\n<p>L\u2019intelligence artificielle (IA) transforme peu \u00e0 peu la mani\u00e8re dont nous analysons le g\u00e9nome humain. Gr\u00e2ce aux techniques d\u2019<em>apprentissage profond<\/em> (<em>deep learning<\/em>), il est d\u00e9sormais possible d\u2019examiner des millions de variations g\u00e9n\u00e9tiques et de d\u00e9tecter des motifs invisibles \u00e0 l\u2019\u0153il humain. Mais un facteur souvent n\u00e9glig\u00e9 pourrait fausser ces analyses : la <strong>structure populationnelle<\/strong>, c\u2019est-\u00e0-dire les liens ancestraux et familiaux entre les individus dont les donn\u00e9es g\u00e9n\u00e9tiques sont \u00e9tudi\u00e9es.<\/p>\n\n\n\n<p>Un article r\u00e9cent publi\u00e9 dans le <em>Journal of Biomedical Informatics<\/em> (2025) par Gabrielle Dagasso, Matthias Wilms, Raissa Souza et Nils D. Forkert met en lumi\u00e8re ce probl\u00e8me. Leur question est simple mais cruciale : les mod\u00e8les d\u2019IA tiennent-ils compte de l\u2019origine g\u00e9n\u00e9tique des individus ? Et si ce n\u2019est pas le cas, quels biais cela peut-il introduire ?<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83e\udded Comprendre la structure populationnelle<\/h2>\n\n\n\n<p>Lorsque les g\u00e9n\u00e9ticiens comparent des g\u00e9nomes, ils ne cherchent pas uniquement des mutations associ\u00e9es \u00e0 des maladies. Ils doivent aussi consid\u00e9rer que deux personnes peuvent partager des segments d\u2019ADN simplement parce qu\u2019elles ont des anc\u00eatres communs ou appartiennent \u00e0 un m\u00eame groupe ethnique.<\/p>\n\n\n\n<p>Ce ph\u00e9nom\u00e8ne, appel\u00e9 <em>structure populationnelle<\/em>, est bien connu en g\u00e9n\u00e9tique classique. Si on l\u2019ignore, on risque de croire qu\u2019une variation g\u00e9n\u00e9tique est li\u00e9e \u00e0 une maladie, alors qu\u2019elle est simplement plus fr\u00e9quente dans une population donn\u00e9e. C\u2019est un peu comme confondre un accent r\u00e9gional avec un sympt\u00f4me m\u00e9dical.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83e\udd16 L\u2019IA face \u00e0 un vieux probl\u00e8me<\/h2>\n\n\n\n<p>Dans les \u00e9tudes g\u00e9n\u00e9tiques traditionnelles, il est acquis qu\u2019il faut corriger les biais li\u00e9s \u00e0 la structure populationnelle. Pourtant, dans les recherches r\u00e9centes utilisant l\u2019IA, cette pr\u00e9caution est souvent oubli\u00e9e.<\/p>\n\n\n\n<p>Pourquoi ? Peut-\u00eatre parce que les mod\u00e8les de <em>deep learning<\/em> sont per\u00e7us comme suffisamment puissants pour d\u00e9tecter les bons signaux, ou parce que prendre en compte l\u2019origine ancestrale complique les calculs.<\/p>\n\n\n\n<p>L\u2019\u00e9quipe de Dagasso a voulu tester cette hypoth\u00e8se : les mod\u00e8les d\u2019IA sont-ils vraiment insensibles \u00e0 la structure populationnelle ? Ou apprennent-ils des choses erron\u00e9es sans qu\u2019on s\u2019en rende compte ?<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83e\uddea Une exp\u00e9rience en deux volets<\/h2>\n\n\n\n<p>Pour r\u00e9pondre \u00e0 cette question, les chercheurs ont con\u00e7u un mod\u00e8le d\u2019IA capable de classer des individus selon leurs donn\u00e9es g\u00e9n\u00e9tiques, en se basant sur des <strong><a href=\"https:\/\/fr.wikipedia.org\/wiki\/Polymorphisme_nucl%C3%A9otidique\">polymorphismes nucl\u00e9otidiques simples<\/a><\/strong> (<em>SNPs<\/em>), c\u2019est-\u00e0-dire de petites variations dans l\u2019ADN.<\/p>\n\n\n\n<p>Ils ont utilis\u00e9 deux types de donn\u00e9es :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Des <strong>donn\u00e9es simul\u00e9es<\/strong>, permettant de contr\u00f4ler pr\u00e9cis\u00e9ment le degr\u00e9 de parent\u00e9 entre les individus.<\/li>\n\n\n\n<li>Des <strong>donn\u00e9es r\u00e9elles<\/strong>, refl\u00e9tant la diversit\u00e9 g\u00e9n\u00e9tique de populations humaines authentiques.<\/li>\n<\/ul>\n\n\n\n<p>Ils ont ensuite analys\u00e9 les r\u00e9sultats \u00e0 l\u2019aide de techniques d\u2019<strong>IA explicable<\/strong> (<em>explainable AI<\/em>), qui permettent de comprendre quelles variations g\u00e9n\u00e9tiques influencent les d\u00e9cisions du mod\u00e8le.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83d\udcca Des r\u00e9sultats nuanc\u00e9s<\/h2>\n\n\n\n<p>Premier constat : la structure populationnelle <strong>n\u2019a pas fortement affect\u00e9 la pr\u00e9cision globale du mod\u00e8le<\/strong>. Autrement dit, m\u00eame sans correction, l\u2019IA semblait bien fonctionner.<\/p>\n\n\n\n<p>Mais en y regardant de plus pr\u00e8s, les chercheurs ont d\u00e9couvert un ph\u00e9nom\u00e8ne pr\u00e9occupant. Les mod\u00e8les qui ne prenaient pas en compte l\u2019origine ancestrale se concentraient sur des variations g\u00e9n\u00e9tiques li\u00e9es \u00e0 l\u2019ethnicit\u00e9, plut\u00f4t qu\u2019\u00e0 la maladie \u00e9tudi\u00e9e.<\/p>\n\n\n\n<p>Ce comportement est connu sous le nom de <em>shortcut learning<\/em> : l\u2019IA optimise ses r\u00e9sultats en utilisant des indices faciles, mais trompeurs. C\u2019est comme un \u00e9l\u00e8ve qui reconna\u00eet son manuel scolaire \u00e0 sa couverture, sans en lire le contenu.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\u26a0\ufe0f Pourquoi c\u2019est probl\u00e9matique<\/h2>\n\n\n\n<p>Un mod\u00e8le qui se base sur des signaux ancestraux au lieu de vrais biomarqueurs peut donner de bons r\u00e9sultats dans une base de donn\u00e9es, mais \u00e9chouer dans une autre population. Cela peut entra\u00eener :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Des <strong>faux positifs<\/strong> : des variations g\u00e9n\u00e9tiques faussement associ\u00e9es \u00e0 une maladie.<\/li>\n\n\n\n<li>Des <strong>faux n\u00e9gatifs<\/strong> : des mutations r\u00e9ellement pertinentes ignor\u00e9es par le mod\u00e8le.<\/li>\n\n\n\n<li>Des <strong>erreurs de g\u00e9n\u00e9ralisation<\/strong> : un algorithme efficace en Europe pourrait \u00eatre inutile en Afrique ou en Asie.<\/li>\n<\/ul>\n\n\n\n<p>Dans le cadre de la m\u00e9decine personnalis\u00e9e, ces erreurs peuvent avoir des cons\u00e9quences graves sur les diagnostics, les traitements et les politiques de sant\u00e9.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83d\udee0\ufe0f Vers des mod\u00e8les plus fiables<\/h2>\n\n\n\n<p>Les auteurs ne rejettent pas l\u2019usage de l\u2019IA en g\u00e9nomique. Au contraire, ils montrent que les performances peuvent rester \u00e9lev\u00e9es. Mais ils insistent sur un point essentiel : <strong>il faut s\u2019assurer que le mod\u00e8le apprend les bonnes choses<\/strong>.<\/p>\n\n\n\n<p>Ils proposent plusieurs pistes :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Int\u00e9grer explicitement l\u2019ancestralit\u00e9 dans le traitement des donn\u00e9es.<\/li>\n\n\n\n<li>Concevoir des architectures qui p\u00e9nalisent l\u2019usage de signaux li\u00e9s \u00e0 l\u2019origine ethnique.<\/li>\n\n\n\n<li>Utiliser l\u2019IA explicable pour v\u00e9rifier que les d\u00e9cisions reposent sur des biomarqueurs pertinents.<\/li>\n\n\n\n<li>Tester les mod\u00e8les sur plusieurs populations pour garantir leur robustesse.<\/li>\n<\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83c\udf0d Une IA plus juste pour une m\u00e9decine plus humaine<\/h2>\n\n\n\n<p>\u00c0 l\u2019heure o\u00f9 l\u2019intelligence artificielle progresse \u00e0 grande vitesse, il est tentant de se fier uniquement aux chiffres. Mais comme le montre cette \u00e9tude, il est essentiel de comprendre <em>comment<\/em> et <em>pourquoi<\/em> les mod\u00e8les prennent leurs d\u00e9cisions.<\/p>\n\n\n\n<p>La g\u00e9nomique et l\u2019IA ont le potentiel de r\u00e9volutionner la m\u00e9decine. Mais ce potentiel ne se r\u00e9alisera que si les algorithmes sont con\u00e7us avec rigueur, transparence et \u00e9quit\u00e9. Sinon, nous risquons de prendre des d\u00e9cisions m\u00e9dicales bas\u00e9es sur des illusions statistiques.<\/p>\n\n\n\n<p>Le travail de Dagasso et ses coll\u00e8gues est un rappel salutaire : m\u00eame \u00e0 l\u2019\u00e8re du <em>deep learning<\/em>, les vieux biais persistent\u2026 et doivent \u00eatre combattus avec s\u00e9rieux.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p><strong>Pour en savoir plus :<\/strong><br>Dagasso, G., Wilms, M., Souza, R., &amp; Forkert, N. D. (2025). Accounting for population structure in deep learning models for genomic analysis. <em>Journal of Biomedical Informatics, 169<\/em>, 104873. <a href=\"https:\/\/doi.org\/10.1016\/j.jbi.2025.104873\">https:\/\/doi.org\/10.1016\/j.jbi.2025.104873<\/a><\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p><strong>#ArtificialIntelligence #Medicine #Surgery #Medmultilingua<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Par Dr. Marco V. Benavides S\u00e1nchez. L\u2019intelligence artificielle (IA) transforme peu \u00e0 peu la mani\u00e8re dont nous analysons le g\u00e9nome humain. Gr\u00e2ce aux techniques d\u2019apprentissage profond (deep learning), il est d\u00e9sormais possible d\u2019examiner des millions de variations g\u00e9n\u00e9tiques et de d\u00e9tecter des motifs invisibles \u00e0 l\u2019\u0153il humain. Mais un facteur souvent n\u00e9glig\u00e9 pourrait fausser ces&#8230;<\/p>\n","protected":false},"author":1,"featured_media":724,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-717","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts\/717","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/comments?post=717"}],"version-history":[{"count":4,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts\/717\/revisions"}],"predecessor-version":[{"id":722,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts\/717\/revisions\/722"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/media\/724"}],"wp:attachment":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/media?parent=717"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/categories?post=717"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/tags?post=717"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}