Bioptimus
Published in Artificial Intelligence, Organisations.
DERNIÈRE NOUVELLE : Un seul modèle d’IA généraliste surpasse maintenant des modèles spécialisés entraînés sur des types précis de cancer, avec jusqu’à 8 % de meilleures performances pour certaines indications.
Bioptimus vient de publier les résultats de M-Optimus-1, son modèle fondation multimodal capable d’analyser simultanément trois couches biologiques : les images de tissus, comme les lames de pathologie H&E, l’expression génique globale et la transcriptomique spatiale.
Fait intéressant : lorsqu’ils ont entraîné un seul modèle sur divers types de tissus, plutôt que de créer des modèles séparés pour chaque cancer, celui-ci a transféré ses apprentissages d’une indication à l’autre.
Autrement dit, des motifs appris à partir de tissus pulmonaires ont amélioré les prédictions dans les cancers du côlon ainsi que de la tête et du cou. Même pour des types de cancer que le modèle n’avait jamais vus durant l’entraînement, comme le rein, la peau ou la moelle osseuse, il a surpassé des modèles spécifiquement entraînés sur ces tissus.
C’est important parce que cela remet en question une hypothèse profonde en biologie computationnelle : l’idée que la biologie varie trop d’un organe à l’autre pour qu’une approche généraliste fonctionne.
En réalité, les cellules immunitaires, les vaisseaux sanguins et les interactions du microenvironnement tumoral suivent des règles communes dans tout le corps. Un modèle exposé à suffisamment de diversité apprend la grammaire de la biologie, et pas seulement le vocabulaire de maladies individuelles.
L’aspect pratique est majeur : M-Optimus-1 peut prédire l’expression spatiale d’environ 20 000 gènes à partir d’une lame H&E standard coûtant environ 10 $, en reconstruisant une information qui coûterait près de 10 000 $ par échantillon à mesurer directement avec la transcriptomique spatiale.
Si cela se confirme lors des validations, cela signifie que l’analyse rétrospective d’anciennes cohortes d’essais cliniques deviendrait beaucoup moins coûteuse.
À noter : les performances augmentent avec la quantité de données et ne semblent pas encore avoir atteint un plateau. C’est exactement le genre de courbe qu’on veut voir lorsqu’on construit une plateforme.
C’est encore tôt. Le vrai test sera de savoir si ces cartes spatiales générées in silico seront assez fiables pour la découverte de biomarqueurs et la stratification des patients. Mais le résultat « généraliste meilleur que spécialiste » fait partie de ces découvertes qui, si elles se reproduisent largement, peuvent transformer la façon dont le domaine pense la construction de ces modèles.