{"id":837,"date":"2025-03-19T09:44:51","date_gmt":"2025-03-19T08:44:51","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil2\/?p=837"},"modified":"2025-11-26T17:38:46","modified_gmt":"2025-11-26T16:38:46","slug":"quand-lia-retrace-levolution-une-revolution-dans-la-phylogenie-moleculaire","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/quand-lia-retrace-levolution-une-revolution-dans-la-phylogenie-moleculaire\/","title":{"rendered":"Quand l\u2019IA retrace l\u2019\u00e9volution : une r\u00e9volution dans la phylog\u00e9nie mol\u00e9culaire"},"content":{"rendered":"\n
\n
\n

Comment reconstituer l\u2019\u00e9volution des esp\u00e8ces avec plus de pr\u00e9cision que jamais ? Nicolas Salamin et ses coll\u00e8gues repoussent les limites de la biologie \u00e9volutive gr\u00e2ce \u00e0 l\u2019intelligence artificielle. En s\u2019affranchissant des hypoth\u00e8ses simplificatrices des mod\u00e8les traditionnels, leur mod\u00e8le \u00ab phyloRNN \u00bb utilise le deep learning pour estimer les param\u00e8tres de l\u2019\u00e9volution mol\u00e9culaire directement \u00e0 partir des s\u00e9quences d\u2019ADN. Une avanc\u00e9e majeure qui ouvre de nouvelles perspectives pour la recherche sur la biodiversit\u00e9.<\/p>\n<\/div>\n\n\n\n

Imaginez essayer de reconstruire l’histoire \u00e9volutive de la vie en analysant les s\u00e9quences d’ADN se trouvant dans les g\u00e9nomes de chaque individu. Les scientifiques ont traditionnellement utilis\u00e9 des mod\u00e8les math\u00e9matiques pour le faire, mais ces mod\u00e8les reposent souvent sur la simplification d’hypoth\u00e8ses qui pourraient ne pas saisir pleinement la complexit\u00e9 de l’\u00e9volution. Nicolas Salamin et ses coll\u00e8gues Daniele Silvestro de l\u2019ETHZ et Thibault Latrille de l\u2019UNIL ont d\u00e9velop\u00e9 une nouvelle approche qui utilise la puissance de l’intelligence artificielle, en particulier le Deep Learning, pour relever ces d\u00e9fis.<\/p>\n\n\n\n

Ils ont d\u00e9velopp\u00e9 un nouveau mod\u00e8le d’intelligence artificielle, appel\u00e9 phyloRNN (github.com\/phylornn\/phylornn<\/a>), con\u00e7u pour analyser directement les alignements multiples des s\u00e9quences d’ADN et estimer les param\u00e8tres cruciaux de l’\u00e9volution mol\u00e9culaire, tels que la vitesse \u00e0 laquelle diff\u00e9rentes parties du g\u00e9nome changent et la divergence globale qui s’est produite, le tout sans avoir besoin d’un arbre \u00e9volutif pr\u00e9existant. Le d\u00e9veloppement de phyloRNN implique une nouvelle strat\u00e9gie en couplant des simulations num\u00e9riques de l’\u00e9volution du g\u00e9nome avec un mod\u00e8le de Deep Learning supervis\u00e9 (cf figure).<\/p>\n\n\n\n

\"\"
Repr\u00e9sentation de l\u2019approche utilis\u00e9e pour le mod\u00e8le phyloRNN. a) approche classique pour reconstruire un arbre phylog\u00e9n\u00e9tique, b) nouvelle approche utilisant le Deep Learning, c) vue sch\u00e9matique du mod\u00e8le phyloRNN. Adapt\u00e9 de Silvestro et al. (2024) Systematic Biology \u2013 https:\/\/doi.org\/10.1093\/sysbio\/syae029<\/figcaption><\/figure>\n\n\n\n

Essentiellement, ils ont cr\u00e9\u00e9 de grandes quantit\u00e9s de donn\u00e9es synth\u00e9tiques qui imitaient des sc\u00e9narios du monde r\u00e9el, y compris des mod\u00e8les complexes de variation de taux qui sont difficiles \u00e0 mod\u00e9liser avec des m\u00e9thodes math\u00e9matiques traditionnelles. Ces donn\u00e9es simul\u00e9es ont ensuite \u00e9t\u00e9 utilis\u00e9es pour entrainer le mod\u00e8le phyloRNN, lui permettant d’apprendre les relations complexes entre les mod\u00e8les de s\u00e9quence d’ADN et les processus \u00e9volutifs sous-jacents.<\/p>\n\n\n\n

Les pr\u00e9dictions du mod\u00e8le phyloRNN sur les taux d’\u00e9volution se sont r\u00e9v\u00e9l\u00e9es aussi pr\u00e9cises et, dans de nombreux cas significativement plus pr\u00e9cises que celles obtenues \u00e0 partir de m\u00e9thodes traditionnelles, en particulier lorsqu’il s’agit de sc\u00e9narios \u00e9volutifs plus complexes. Les chercheurs ne se sont pas arr\u00eat\u00e9s l\u00e0. Ils ont ensuite montr\u00e9 comment ces estimations aliment\u00e9es par l’IA pourraient \u00eatre r\u00e9int\u00e9gr\u00e9es dans les m\u00e9thodes phylog\u00e9n\u00e9tiques traditionnelles pour am\u00e9liorer la pr\u00e9cision de la reconstruction des arbres \u00e9volutifs. En utilisant les taux \u00e9volutifs par site pr\u00e9dits par phyloRNN dans un cadre bay\u00e9sien, ils ont constat\u00e9 que l’exactitude de l’inf\u00e9rence phylog\u00e9n\u00e9tique, en particulier les longueurs des branches estim\u00e9es, \u00e9tait consid\u00e9rablement am\u00e9lior\u00e9e.<\/p>\n\n\n\n

Cette approche semi-supervis\u00e9e innovante, combinant les forces de l’apprentissage en profondeur pour l’estimation des taux avec la rigueur de l’inf\u00e9rence probabiliste pour la construction d’arbres, sugg\u00e8re un avenir prometteur pour l’analyse phylog\u00e9n\u00e9tique, permettant d’incorporer des mod\u00e8les d’\u00e9volution plus flexibles et r\u00e9alistes. Ces recherches vont permettre d’ouvrir la voie \u00e0 de futurs progr\u00e8s et \u00e0 des efforts de collaboration dans les domaines de la biologie computationnelle, de l\u2019informatique et de la recherche en \u00e9volution. Le potentiel du Deep Learning en phylog\u00e9nie inspire d\u2019autres innovations et explorations dans ce domaine interdisciplinaire, contribuant \u00e0 une compr\u00e9hension plus approfondie de la dynamique et des m\u00e9canismes influen\u00e7ant l\u2019\u00e9volution des esp\u00e8ces et de la biodiversit\u00e9.<\/p>\n\n\n\n

\n
\n\n\n\n
\n
\n
\n

Le Professeur Nicolas Salamin est biologiste et int\u00e8gre la mod\u00e9lisation et l\u2019intelligence artificielle dans ses recherches pour comprendre les m\u00e9canismes conduisants \u00e0 l\u2019\u00e9volution des esp\u00e8ces et de la biodiversit\u00e9.<\/strong><\/p>\n\n\n\n

Facult\u00e9 de biologie et de m\u00e9decine<\/strong><\/p>\n\n\n\n

Modeling, Deep Learning, Evolutionary genomics<\/p>\n\n\n\n

\n
Profil<\/a><\/div>\n\n\n\n
Publications<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\"salamin<\/figure>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Gr\u00e2ce \u00e0 l\u2019intelligence artificielle, des chercheurs de l\u2019UNIL et de l\u2019ETHZ transforment notre fa\u00e7on de reconstituer l\u2019histoire \u00e9volutive des esp\u00e8ces, en contournant les m\u00e9thodes classiques.<\/p>\n","protected":false},"author":108,"featured_media":3184,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"categories":[7],"tags":[],"class_list":{"0":"post-837","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-recherche"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/837","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/users\/108"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/comments?post=837"}],"version-history":[{"count":5,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/837\/revisions"}],"predecessor-version":[{"id":2575,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/837\/revisions\/2575"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media\/3184"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media?parent=837"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/categories?post=837"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/tags?post=837"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}