La révolution de l'apprentissage automatique transforme la découverte scientifique en génétique et au-delà

Les scientifiques utilisent de plus en plus l'apprentissage automatique pour prédire les maladies, concevoir des médicaments et trouver des schémas cachés dans de vastes ensembles de données. Cela marque le début d'une nouvelle ère de la découverte scientifique. L'essor de ces algorithmes est une histoire de convergence, transformant la façon dont la science est menée. Tout au long de l'histoire, la découverte scientifique reposait sur l'effort humain. Les données étaient précieuses et les scientifiques concevaient méticuleusement des algorithmes. Cependant, le volume de données a explosé dans tous les domaines, dépassant la capacité humaine à l'analyser manuellement. L'apprentissage automatique est apparu comme une solution à ce problème. Ces algorithmes sont devenus de puissants outils scientifiques. Cela permet des avancées dans toutes les disciplines, y compris la génétique et les domaines connexes. En biologie, l'apprentissage automatique a eu un impact significatif sur le problème du repliement des protéines. AlphaFold2 de DeepMind prédit les formes tridimensionnelles avec une précision de niveau laboratoire. Cela accélère la découverte de médicaments et aide les chercheurs à comprendre comment les mutations perturbent la fonction. L'apprentissage automatique est désormais une pratique courante dans divers domaines. Il explore de vastes ensembles de données à la recherche d'informations que les humains ne peuvent pas extraire seuls. Cependant, il n'est pas destiné à remplacer les scientifiques, mais plutôt à augmenter leurs capacités. Bien que les modèles d'apprentissage automatique excellent dans la recherche de schémas, ils ne peuvent souvent pas expliquer pourquoi ces schémas existent. L'imagination, l'intuition et la créativité nécessaires pour relier diverses idées restent des forces uniquement humaines. À mesure que la science devient plus accessible de manière algorithmique, l'attention se portera sur ce que nous pouvons imaginer.