Même si Big Data et les méthodes d’apprentissage automatique (apprentissage automatique) donnent parfois des résultats spectaculaires, rendant impossible la compréhension des mécanismes impliqués. Ceci est rappelé dans un éditorial publié dans la revue. Signal scientifique Holden Thorp, rédacteur en chef du magazine La scienceet le rédacteur en chef du magazine, Michael Yaffe Signal scientifique.
“Face à l’accumulation de grandes banques de données scientifiques et de nouvelles méthodes [informatiques et statistiques] L’analyse de ces mégadonnées donne à penser que les principales avancées de la science biomédicale proviendront de la traduction directe de ces richesses de connaissances en applications des soins de santé, de l’agriculture et des stratégies d’atténuation du changement climatique, plutôt que des découvertes. Il a été créé par la recherche fondamentale », expliquent Thorp et Yaffe, qui soulignent également que les principaux organismes de financement nationaux, internationaux et privés ont consacré une part importante de leurs subventions à cette approche visant à développer des applications pratiques immédiates.
Tous deux s’intéressent à l’avenir de la recherche fondamentale visant à accroître notre connaissance du monde et à découvrir les mécanismes sous-jacents impliqués dans les événements que nous observons, mécanismes qui peuvent ensuite être exploités pour développer des applications biomédicales.
Pertes scientifiques à long terme
Ils soutiennent que, compte tenu de l’incroyable potentiel des technologies de l’intelligence, de l’intelligence artificielle (IA) et des données scientifiques abondantes, investir dans la science fondamentale reste important, bien que beaucoup soutiennent que la recherche scientifique devrait se concentrer sur des préoccupations plus pragmatiques. Tout cela en réponse aux énormes défis auxquels est confrontée notre espèce en particulier, sinon la planète entière. “Ils mettent en garde contre une recherche qui met trop l’accent sur des gains technologiques à court terme qui pourraient entraîner des pertes scientifiques à long terme”.
Tout en donnant l’exemple de cet antiviral Paxlovid utilisé contre le COVID-19, développé grâce à notre compréhension de l’enzymologie virale et de la chimie médicinale traditionnelle, il souligne : « Les plus grandes avancées de la science sont encore le résultat de méthodes de recherche éprouvées. L’immunothérapie pour le traitement du cancer s’est développée à partir des nouvelles connaissances en immunologie acquises au cours de la recherche fondamentale.
En utilisant des méthodes d’apprentissage automatique avancées telles que l’apprentissage en profondeur (l’apprentissage en profondeur), disent-ils, nous montre à quel point notre compréhension de base des sciences biologiques est encore incomplète.
recherche fondamentale vitale
Grâce à des méthodes d’apprentissage en profondeur, les logiciels de calcul AlphaFold et RoseTTAFold peuvent prédire avec précision la structure tridimensionnelle d’une protéine à partir de sa séquence d’acides aminés : un exploit incroyable que l’homme n’a jamais été capable de réaliser malgré sa connaissance des principes physico-chimiques depuis les années 1950. , rapportent-ils.
“Cet exemple nous montre qu’il y a des aspects très fondamentaux du processus de repliement des protéines que nous ne comprenons pas encore. Il est vital de poursuivre la recherche fondamentale visant à comprendre ce processus si nous voulons combler le fossé entre les prédictions faites par l’IA et nos connaissances scientifiques compréhension », écrivent-ils.
Autre exemple : le machine learning est meilleur que les médecins pour détecter les pathologies en mammographie, radiographie thoracique et images scanner. « Mais ce que ces approches ne parviennent pas à faire de manière adéquate, c’est de décrire exactement ce que l’ordinateur voit lorsqu’il établit un diagnostic ou une classification. »
Et l’apprentissage automatique ne pouvait pas prédire qu’un coronavirus, qui fait l’objet de recherches fondamentales depuis 1960, deviendrait l’agent pathogène le plus menaçant pour l’homme au cours des cent dernières années. Les vaccins à ARNm ne nous en protégeraient pas non plus. Les fruits de la recherche scientifique fondamentale n’ont jamais été aussi importants que dans ce chapitre, disent-ils.
dans quel sens regarder
« Si nous avons aujourd’hui des vaccins à ARN, c’est en grande partie grâce à la recherche fondamentale menée il y a 25 ans par la Hongroise Katalin Karikó, qui cherchait à comprendre le fonctionnement de l’ARNm, alors que ce n’était pas à la mode. […] Les résultats de la recherche fondamentale sont imprévisibles. Peut-être que ça ne mène nulle part, peut-être que la réponse est négative, mais c’est important de le savoir parce que ça nous dit de ne plus regarder dans cette direction », ajoute Yves Gingras, directeur de l’Observatoire des sciences et technologies.
Convaincus que nous n’aurons plus besoin de théories avec des algorithmes pilotés par l’apprentissage automatique profond et des quantités massives de données, les données nous donneront des réponses qui “constituent une sorte de régression vers l’empirisme”.
“Les techniques d’IA reposent uniquement sur des algorithmes qui recherchent des relations entre divers éléments dans un bloc de données, n’établissant que des corrélations. Et une fois établies, ces relations permettent de prédire les cas futurs avec une certaine probabilité par induction et extrapolation”, explique l’histoire et la sociologie. professeur de sciences à l’UQAM.
“Prédire n’est pas expliquer. Si l’on se contente de deviner, on peut continuer à utiliser le modèle planétaire des épicycles de Ptolémée. [astronome et mathématicien grec du IIe siècle de notre ère], c’est faux mais ça marche. Si un grand nombre d’épicycles sont fournis à l’ordinateur, celui-ci donne en effet de bonnes estimations de la position des planètes vues de la Terre. “Mais c’est une estimation empirique qui permet même aux Babyloniens de prédire les éclipses sans vraiment les comprendre”, dit-il.
“Suite à la formulation d’une théorie physique basée sur l’attraction gravitationnelle entre les planètes en orbite autour du soleil – il a fallu que Kepler et Newton expliquent vraiment ce que Ptolémée et les scribes babyloniens avant lui se contentaient de prédire”, se souvient-il dans une tribune publiée dans la revue . pour la science.
de mauvaises suppositions
M. Gingras aussi [produites par les méthodes de l’IA] ça ne marche jamais à 100%. Ils s’arrêtent généralement à 80%. Ils se trompent dans 20% des cas. Il y a donc une incertitude.”
À moins de connaître le mécanisme, nous ne pouvons pas avoir une confiance totale, rappelle-t-il. En revanche, on peut compter sur des ordinateurs pour planifier un voyage sur la Lune, par exemple, car ils ont appliqué les équations de Newton, Kepler et Einstein dont on sait qu’elles sont valables aujourd’hui. »
Auteurs de l’éditorial publié Signal scientifique ne condamnez pas plutôt l’utilisation de l’IA, qu’ils considèrent comme une technique pour accélérer les découvertes scientifiques. « Les algorithmes, c’est de la technologie, ils sont utiles, mais ils ne peuvent pas remplacer la science », ajoute M. Gingras.
“Plus de découvertes émergeront si nous faisons confiance à notre meilleure compréhension de la biologie, plutôt que de penser naïvement qu’elles viendront dans l’autre sens pour guider l’analyse des données”, ont déclaré Thorp et Yaffe.
