Pionnière de l'IA biomédicale, elle connecte les échelles du vivant pour révolutionner la médecine | Zelda Mariet

[Music] Bonjour et bienvenue dans Ted en français, le podcast officiel de la communauté tête francophone. Je suis Michel Lévi-Pronensale, et comme à chaque épisode, je reçois une ancienne ou un ancien testeur ou télixeur. Aujourd'hui, j'ai le plaisir d'accueillir la fondatrice d'une start-up, co-fondatrice d'une start-up qui révolutionne l'usage de l'IA au service de la médecine. C'est une application, c'est un modèle. On va en parler très largement. On va découvrir aussi son univers. Elle travaille sur des modèles fondationnels dédiés aux applications biomédicales. Et avant cela, elle était Senior Research Scientist chez Google DeepMind, où elle étudiait comment la diversité des prédictions d'un modèle peut renseigner notamment sur l'incertitude du modèle lui-même. On va en parler aussi. Elle est Docteur OMIT, elle étudie OMIT. C'est Travoporté sur les propriétés mathématiques. Je crois des polinaux, mais ça, on n'en parlera pas, c'est beaucoup trop compliqué. Elle a récemment donné un TED Talk sur l'avenir des intelligences artificielles en médecine et en particulier sur le concept des intelligences artificielles multi-échelles. Je vais évidemment parler de Zelda Mariette. Bonjour Zelda. Bonjour Michel. Merci de me recevoir ici. Écoute, c'est un plaisir. On écoute un extrait de ton talk. Depuis plus d'un siècle, chaque année, on desserre ne trois prix Nobel en sciences. Un en physique, un en chimie et un en médecine. Pour la physique, vous connaissez certainement Marie Curie. Alors, su un prix Nobel pour ses travaux sur la radioactivité. D'ailleurs, elle en a reçu deux. Le second est en chimie pour ses travaux sur le radium et sur le polonium. Après le second, elle a décidé qu'elle avait suffisamment mis la pression à toutes les générations de scientifiques qui allaient suivre. Et donc, du coup, elle s'est arrêtée à deux. Et donc, pour le prix Nobel de médecine, je vais vous parler d'Alexandre Fleming, qui a reçu le prix Nobel de médecine en 1945 pour la découverte de la pénicilline. Alexandre Fleming, gardez-le au chaud. On va y revenir. Mais l'année dernière, pour la première fois depuis la création du prix Nobel, il s'est passé quelque chose d'extraordinaire. Parce que l'année dernière, en 2024, le prix Nobel de chimie a été desserné à des chimistes certes, mais également à un informaticien. Au centre de l'image derrière moi. Cet informaticien, demi à sa vie, l'a reçu pour la création d'une intelligence artificielle qui s'appelle Alpha-Fault. Quelle est la révolution qu'a permis Alpha-Fault? Eh bien, très simplement, Alpha-Fault a permis de faire quelque chose de très complex, qui est d'expliquer la façon dont les protéines prennent leur fort. Une protéine, c'est une molécule complexe, qui est instrumentale pour le fonctionnement, la régulation et la structure des cellules. Elle est indispensable à la vie. Mais une protéine, c'est aussi quelque chose qui peut avoir l'air très simple. Ça peut aussi être décrit tout simplement comme une chaîne de lettres que vous voyez maintenant derrière moi. C'est une vraie protéine, elle n'est pas très intimidante. Et chacune de ces lettres qui la composent s'appelle un acide aminé. Mais une protéine, c'est pas seulement une chaîne de lettres, c'est quelque chose qui a une forme en trois dimensions. Et comprendre comment cette chaîne de lettres va prendre cette forme est un fantastique problème. Je vais vous faire une petite démonstration. On fait avec les moyens du bord, c'est les légumes de quand j'étais petite. Alors on va imaginer que la protéine derrière moi, qui d'ailleurs a été instrumentale pour l'histoire de la médecine, mais ça c'est comme les bolinos, on m'a dit, ne t'en parle pas. Cette protéine, on va imaginer que c'est ce jouet, que c'est ce collier de briques. Chaque brique, ça va être un acide aminé. Et donc du coup, notre protéine, elle est là. Mais en fait, non. Elle va se plier, elle va se replier dans tous les sens. Un peu comme un oeuf compliqué pour prendre une forme en trois dimensions. Et ce faisant, elle va pouvoir exposer certaines de ses briques. Y en a une, la bleue, je l'ai marquée avec un oeuf spoiler, parce que j'avais un oeuf spoiler. Et cette brique-là, elle est exposée. Donc si cet oeuf spoiler, il est capable de neutraliser un virus, par exemple, et qu'il y a un virus qui se promène, le virus va être neutralisé. Mais il y a d'autres briques qui sont moins exposées. Et d'ailleurs, si ce légo s'était plié de façon différente, l'oeuf spoiler, il serait complètement inutile. Troisième démonstration scientifique. Une protéine, avec un oeuf sebrin en l'occurrence, qui est neutralisée. Parce que cette même brique bleue, tout d'un coup, elle ne peut plus interagir avec son environnement. La seule chose qui a changé, c'est la façon dont la brique rouge et la brique jaune sont connectées. C'est la même série de briques. Mais tout d'un coup, notre protéine, elle ne peut plus neutraliser un virus. Fin de la partie scientifique. C'est ça que permet de faire AlphaFold. AlphaFold permet de prédire, à partir d'un collier de briques, quel va être la forme en trois dimensions de la protéine. AlphaFold nous permet de savoir, par exemple, si une protéine va pouvoir agir comme bouclier contre un virus, ou si au contraire, elle va être complètement inefficace. Certes. Mais la biologie, la médecine, c'est pas juste les acides aminées, c'est pas juste les protéines. La biologie, elle existe à tous les niveaux. Elle existe du microscopique avec l'ADN, jusqu'au macroscopique avec le corps humain. Et d'ailleurs, elle va même beaucoup plus loin que ça, parce que la biologie, c'est aussi nos conditions de vie. Est-ce qu'on habite dans un endroit où il fait chaud, froid, humide, qui peut être propice au développement des maladies ? Est-ce qu'on boit ? Est-ce qu'on fume ? Toutes ces questions-là, toutes ces échelles-là, c'est aussi la biologie. Et la question qu'on se pose, c'est comment est-ce qu'on va pouvoir créer des intelligences artificielles pour connecter toutes les échelles du vivant ? Ça, aujourd'hui, on commence à le faire. On commence à créer des intelligences artificielles qu'on appelle multi-échelles, justement, parce qu'elles connectent toutes ces échelles et qui vont être capables, par exemple, de regarder un ensemble de cellules et d'en comprendre comment fonctionne un poumon. Des IA qui vont pouvoir regarder le code génétique d'un patient et d'en prédire comment le patient va pouvoir exhiber certains symptômes face à une maladie. Ou même une IA qui va aller dans l'autre sens, qui va partir d'une macroscopie, qui va regarder la biopsie d'une tumor et pouvoir prédire le microscopique en disant quelles sont les gènes qui sont exprimées dans les cellules cancéreuses. Mais qui dit intelligences artificielles dit besoin d'énormément de données. Qui dit intelligences artificielles multi-échelles dit besoin d'énormément de données à toutes les échelles. Énormalement, ça, ça serait quasiment impossible. Mais pas en médecine. Parce qu'en médecine, on a une chance incroyable. Parce que chaque fois que vous allez chez le médecin, que vous allez dans un hôpital, on vous fait une biopsie, on vous fait une prise sanguine, on vous fait un test, ces données-là, bien sûr, on les utilise ponctuellement, vous êtes venus là pour une raison. Mais ensuite, ces données-là, on les garde. Elles prennent la poussière souvent, quelque part, sur un risque dur. Mais c'est exactement ça dont on a besoin pour créer les intelligences artificielles multi-échelles. On est assis, depuis des dizaines d'années, sur un trésor de données qui va pouvoir permettre de les créer. C'est là-dessus que je travaille, avec mon équipe, pour créer ces intelligences artificielles multi-échelles qui vont pouvoir connecter la DNA protein, mais aussi les protéines cellules, les cellules au tissu, les tissus aux organes, et enfin les organes aux patients. Nos résultats ont été publiés en open source, ils sont donc disponibles gratuitement à toute la communauté scientifique, et justement, il a été montré que nos modèles sont capables, à partir d'une biopsie, de prédire quelles sont les gènes qui apparaissent dans les cellules cancéreuses visibles. Stella, merci d'être avec nous aujourd'hui. Tu diriges les recherches chez Bioptimus, avant, après, à te passer par Google DeepMind, tu peux étudier comme je le disais au MIT. Au-delà de LIA, quel est le fil conducteur de ton parcours? C'est là. Puisque tu m'as dit que je n'avais pas le droit de parler de polynome, je ne vais pas répondre à les polynomes, même si il y a quand même un lien. Je dirais que le lien dans mon parcours, c'est toujours, chaque fois que j'ai été confronté à un problème scientifique qui m'intéressait, une fois que tu as regardé un problème scientifique pendant suffisamment de temps, tu te rends compte qu'il est connecté à un autre problème, tout aussi important, avec ses propres spécificités, etc. Et en fait, je pense que mon parcours, ça a toujours été travaillé sur, donc quand j'étais au MIT, je travaillais sur des polynomes comment représenter la diversité qui existe dans les données et la diversité qui existe dans les modèles pour créer des modèles d'intelligence artificielle qui sont plus robustes, qui ne vont pas, en fait, changer très, très vite, très, très rapidement pour qu'on puisse, en fait, se baser sur eux pour les utiliser dans l'invite tous les jours. Et puis, en fonction de la température de l'alignement de Mercure en rétrograde, etc., tout d'un coup, je change complètement d'avis sur ce qu'il te prédisait pour que ce soit en santé, que ce soit vraiment pour des choses toute bête, comme ce que tu as prévu de faire demain, qui va être un modèle qui va être utilisé pour prédire, je ne sais pas, le nombre de personnes qui vont entrer dans un magasin, etc., tu veux des modèles qui soient stables. Comment comprendre ce qui fait qu'un modèle est stable, ce qui fait qu'un modèle n'est pas stable. Et donc, j'ai travaillé beaucoup sur les mathématiques qui sont nécessaires pour comprendre ça. Et au bout d'un moment, pour moi, le fil conducteur, ça a été de voir si ça marchait en pratique, et si, en fait, les théories qu'on était en train de développer pour comprendre la stabilité étaient vraiment en train de fonctionner en pratique. Parce que, quand on fait des maths, c'est facile de partir d'hypothèses, et de partir du principe qu'elles vont à te vérifier et ensuite continuer. Donc, c'est très facile de partir du principe que tu vas faire des hypothèses, et puis, comme tu es dans le monde magique des mathématiques, tu peux juste utiliser ces hypothèses pour faire toute ton analyse. Une fois que tu pars dans le vrai monde, tout d'un coup, tes hypothèses sont presque vérifiées, mais pas toujours, elles sont presque satisfaites, quand j'ai rejoint Google, mon but, c'était de comprendre comment la séparation entre ce qu'on voudrait pour appliquer nos théories et ce qui se passe dans la vraie vie influence la validité de nos hypothèses. Et donc, j'ai commencé à travailler beaucoup sur des données réelles, donc, ce qu'on appelle des "world data", donc, c'était des images naturelles, etc. de l'audio naturel, j'ai commencé, même, à me poser des questions, si on va du monde magique des bisounours mathématiques, ou tout marchait bien vers le monde réel, quelle est la pire situation? Quelles sont les données qui sont tellement complexes et tellement pénibles? Si on sait qu'on a réussi à créer un modèle qui marche sur ces données-là, on a résolu la question. C'est là que j'ai commencé à travailler sur les données médicales. Parce que ce sont les données les plus complexes? Je pense. Parce que quand on travaille avec les données médicales, quand on travaille avec des données qui sont des mesures scientifiques, les résultats de ce qui s'est passé dans un tube, etc. Il n'y a pas seulement toutes les questions qui existent avec toutes les données qui sont... Est-ce qu'elles sont storées et résonablement? Est-ce qu'on peut y avoir accès? Combien est-ce qu'on en a? Il y a, tout d'un coup, la question de quand on a généré ces données-là, il y a eu tout un processif scientifique qui, en tout cas, contient du bruit. Tu lui-même vas pouvoir causer des problèmes. Un exemple tout simple mais qui est un des premiers auxquels j'ai été confrontée, c'est quand tu fais des réactions chimiques et quand tu vas entrainer un modèle sur les résultats de réactions chimiques. Ces réactions chimiques, elles ont lieu dans un tube A&C. En général, on en fait plusieurs à la fois. Tu vas avoir un espèce de conténère, un espèce de rectangle avec 30 positions et, en fait, la position de ces tubes A&C va influencer le résultat des réactions chimiques. Par exemple, parce que quelqu'un va transporter ce plateau et les choses qui sont plus près du bord ont plus de chance de déborder un petit peu, par exemple. Ou être, on va avoir un gradient de température un tout petit peu différent des tubes A&C qui sont au milieu. Et ça, ça a un impact sur les données qu'on utilise, ça a un impact sur la réaction scientifique et c'est très facile de créer un modèle plutôt que de comprendre la réaction chimique. Va comprendre les tubes A&C sur le côté, ils sont différents. Et ça, ça ne nous apprend pas grand-chose sur la science derrière, ça nous apprend quelque chose sur les effets de bord qui, en fait, ne nous intéresse pas. Alors, on va revenir sur les applications, en fait, de ces travaux. Tu expliques derrière dans ton talk que les intelligences artificielles sur lesquelles tu travailles sont multi-échelles et peuvent relier différents niveaux du vivant, du microscopique au macroscopique. Est-ce que tu peux nous expliquer simplement ce que ça signifie comment ça marche et de quelle échelle on parle? Quand on fait de l'intelligence artificielle pour la biologie, c'est très tentant de se concentrer sur ce qu'on appelle une échelle. Une échelle, ça peut être, par exemple, les protéines, ça peut être, par exemple, les cellules, ça peut être les tissus. C'est, disons, ce qu'on appelle aussi une modalité. C'est un des niveaux à laquelle la biologie peut être observée et comprise. On peut regarder une cellule humaine et essayer de comprendre ce qui se passe dedans, comment la cellule évolue au cours du temps, comment elle naît, comment elle se change et comment elle meurt. Ça, c'est une des échelles. Mais toutes ces échelles-là sont connectées et ces cellules contiennent énormément d'éléments sous-cellulaires, subcellular elements. Et ces éléments-là, eux-mêmes, sont leurs propres échelles qu'on peut essayer de comprendre. On peut essayer de comprendre, par exemple, l'ADN, qui est donc exprimée dans le noyau de la cellule et essaye de comprendre vraiment que cette ADN, c'est ce qu'on appelle des paires de base. Chacune de ces bases va avoir une influence sur les protéines qui sont produites. Et rien qu'à une seule échelle. La quantité de sciences de travaux scientifiques qu'on peut faire est infinie. A chacune de ces échelles, on peut aller voir et on verra des prix Nobel qui ont été discernés pour la compréhension de comment cette échelle fonctionne toute seule. Comment elle évolue et quels sont les fondamentaux scientifiques qui l'expliquent. Ce qu'on fait de nous à Bioptimus. On essaie de comprendre comment les échelles s'influencent les unes les autres. Même si ces échelles existent pas indépendamment mais peuvent être étudiées indépendamment la raison pour laquelle on s'intéresse à elles c'est parce qu'elles font partie d'un système beaucoup plus complex qui est le corps humain, le vivant. Chacune d'entre elles est un peu une pièce de légo. Et si on commune tous ces légos, finalement on a construit quelque chose en légo. On a construit, je ne sais pas, une tour Eiffel, on a construit le vivant, on a construit un humain. Les protéines font partie des cellules. Les cellules composent un tissu. Le tissu compose un organ. Et si on a suffisamment d'organes qui sont tous connectés comme il le faut, on a un corps humain. Et un tout petit changement, un tout petit changement dans l'ADN va se propager à un changement dans la cellule, dans le tissu, dans l'organe et dans l'humain. Et donc pouvoir comprendre comment ces échelles-là sont connectées va nous permettre un jour, bientôt j'espère, avec l'aide de l'intelligence artificielle à modéliser, à comprendre comment une toute petite modification, à n'importe quelle des échelles, peut impacter la santé. Peut créer un traitement. Et ainsi de suite. Comment une modification, par exemple, à l'échelle de la cellule peut impacter le tissu et inversement. Ce qui, un exemple que tu m'avais donné, permettrait, par exemple, de diminuer drastiquement le coût de diagnostic, de certains cancers, puisque certains cancers on est obligés de faire une analyse génomique des cellules. Là, avec une photo d'une tissu, on est capable d'en déduire les gènes, ce qui expliquerait, par exemple, qu'on analyse un certain niveau à une certaine échelle et qu'on en déduit à une autre échelle, c'est ça ? C'est ça. Et la raison pour laquelle l'exemple dont tu parles est important, par exemple, c'est qu'on sait que les gènes qui sont exprimées influencent quelles sont les traitements qu'on peut donner, par exemple à quelqu'un qui a un cancer. Malheureusement, c'est beaucoup plus facile d'avoir accès à une photo d'un cancer, c'est-à-dire une biopsie, plutôt que de faire l'analyse génétique. L'analyse génétique coûte extrêmement cher, elle est très lente. Faire une biopsie, c'est beaucoup plus facile. Si, à partir de l'échelle de la biopsie, on peut prédire ce qui se passe à l'échelle des gènes, tout d'un coup, on peut découvrir des traitements ou proposer des traitements qui vont être adaptés à la personne qui a le cancer de façon beaucoup plus rapide. Et ça, c'est parce justement, on a cette connexion entre les échelles où l'information à une échelle peut se propager de l'échelle de la biopsie, par exemple, à l'échelle des gènes. - J'ai une question peut-être un peu théorique, d'ailleurs, sur la question, sur le lien entre les échelles. Qu'est-ce qui lit deux échelles? Qu'est-ce qui crée le lien entre deux échelles? - Question philosophique et réponse philosophique. - C'est une question philosophique ou c'est une question d'ordre pratique. C'est-à-dire, est-ce qu'on est capable, par exemple, de visualiser la liaison entre deux échelles? Est-ce que ça a une structure particulière? Est-ce que c'est de l'information? Qu'est-ce qui fait la liaison entre deux échelles? - Je disais réponse philosophique, parce qu'en fait, cette notion d'échelle, c'est une notion humaine. C'est nous qui disons, c'est ici qu'on met la démarcation avant en parler de cellules et tout d'un coup, on parle de tissu. Donc, c'est pas quelque chose qu'on appellerait de discret. On était à l'échelle de la cellule et tout d'un coup, on est à l'échelle du tissu. En fait, ce qui se passe, c'est qu'on est à l'échelle d'une cellule, puis de deux cellules, puis de trois cellules, et à partir d'un certain moment, on dit qu'on n'est plus à l'échelle de plusieurs cellules, on est à l'échelle d'un tissu. Et donc, en fait, la façon dont l'information se propage, dont les phénomènes biologiques qui se passent à l'échelle d'une cellule, ensuite se propagent à deux cellules, en fait, c'est quelque chose de très continu. Et c'est quelque chose qui s'amortit. Parce que si tu regardes ce qui se passe sur une cellule, tu vas avoir une réponse très précise, tu vas voir ce qui se passe, tu vas voir quelles sont les protéines qui sont exprimées et ainsi de suite. Si tu regardes ensuite à deux cellules, parce que tu, en gros, t'as fait un zoom ou tu as fait un desooms, tu regardes quelque chose de très précis, tout d'un coup, maintenant tu as réduit la résolution, tu vois plus de choses mais tu les vois moins bien. Et donc, du coup, ce que tu vas voir, c'est l'impact dans la cellule, comment il influence un petit groupe de cellules. Ça peut informer, par exemple, la connexion intra-cellulaire, ça peut changer la façon dont les cellules sont organisées, peut-être qu'avant, elles étaient toutes groupées très proches les unes des autres, et ensuite, elles ont tendance à se séparer. C'est quelque chose qu'on voit, par exemple, dans certains cancers. Est-ce que des cellules cancéreuses ont tendance à rester groupées ensemble ou est-ce qu'au contraire, elles se différencient, et on les retrouve de façon très spécifique à certains endroits et pas d'autres? Et cette information-là, elle se dissipe entre les échelles. Pour rebondir un peu ce que tu m'as dit, est-ce que c'est une information qui est spatiale, par exemple? Pas toujours, parce qu'en fonction de différentes modalités dont on parle, ce ne sera pas toujours spatial, mais c'est vrai qu'une des choses qui est très importante pour nous, c'est, et donc pour nous, a Bioptinus, avec les modalités que l'on étudie, avec les échelles que l'on a, c'est la question d'organisation dans l'espace. L'organisation entre les cellules et les tissus, c'est justement, ce que je disais, c'est de comprendre, on avait une cellule, on avait 10 cellules, on a fait un changement dans ces cellules-là, et tout un coup, leur position dans les organes a changé. Pour être très précise scientifiquement, ce n'est pas la même cellule qui s'est déplacée d'un endroit à l'autre, c'est le type de cellule qui a tendance à être regroupée, disons, qui trouve partout dans l'image. Et cette dispersion spatiale est très importante pour les modèles. Le modèle, lui, ne comprend pas le lien entre les échelles. Il n'est pas capable d'expliquer de manière précise, ce qui fait qu'il y a une certaine structure qui constitue un passage d'une échelle à une autre, par exemple l'agencement de plusieurs cellules pour constituer un tissu. Il ne va pas raisonner par exemple, il se passe cette chaîne de causatité. Il va faire, comme tous les modèles, de la corrélation. C'est-à-dire qu'il va, à partir d'un certain nombre de données et d'un certain nombre de données à une autre échelle, trouver des familles de comportements cohérents ou congruents qui se retrouvent de différentes échelles. Si il rencontre une échelle de données, un comportement de données ou une situation de données, il va se dire par corrélation "Je vais le retrouver, c'est autre échelle". On est entièrement d'accord. Il existe des modèles qui vont essayer de faire un peu plus ce dont tu parlais, raisonner. En général, c'est une autre technique de machine learning que les modèles dont on était en train de parler avant qui vont regarder des corrélations scientifiques et en tirer des conclusions. Quand tu parles de modèles qui sont capables de raisonner, on en connaît. Par exemple, au PNIA, il y en a sortis, à partir du PT4, du PSIC, des Chinois le font. Mais est-ce qu'il existe l'équivalent dans le monde biologique ? Est-ce qu'on travaille sur des data biologiques ? Ça dépend de ce que tu appelles data biologique. Est-ce que, par exemple, tu parles de modèles qui lisent des papiers scientifiques et en tirent des conclusions ? Ça, certainement. Ça existe. Au niveau de ce qui existe, si on parle de data biologique, on parle vraiment de séquences TADN, on parle d'analysis de TSU, c'est beaucoup moins commun. Et je pense pour une raison qui est pour moi très importante, quand tu travailles avec des données de ce genre-là, tu travailles beaucoup avec des biologistes, avec des médecins. Les biologistes et les médecins, ils veulent faire le raisonnement eux-mêmes, ils veulent le vérifier. Et pour moi, c'est un des très gros atouts qu'on a, nous, à Bioptimus. C'est qu'en fait, on est dans un monde où on est confrontés au raisonnement scientifique, des experts, simultanément. Ce qui fait qu'en fait, on a des outils. C'est quelque chose qui est utilisé par des chercheurs dans le monde pharmaceutique, par des chercheurs académiques qui travaillent sur la biologie pour les aider à faire des découvertes. C'est quelque chose qui, à ce moment, à un moment où on est aujourd'hui, et quelque chose qui est un outil de dead. Et quand on parle de raisonnement, on est en train de venir au multi-échelle qu'on commence à être dans un monde où on peut faire du raisonnement qui, pour l'instant, est très aidée par des humains qui sont des experts dans leur domaine qui comprennent la corrélation, la causation et qui peuvent émettre des hypothèses scientifiques. Maintenant qu'on commence à aller vers le monde du multi-échelle, on rentre dans une situation où on peut construire ces corrélations et les émettre comme une hypothèse scientifique. On n'y est pas tout de suite, on n'y est pas aujourd'hui, mais c'est quelque chose qui est en train de se construire avec la communauté scientifique. Aujourd'hui, quand vous utilisez vos modèles comme celui de Bioptimus, vous êtes capable de l'utiliser pour faire du diagnostic comme on l'évoquait tout à l'heure. Mais est-ce qu'on est capable, de demander au modèle de générer pourquoi pas, une séquence ADN en fonction de comportements qu'on attend à l'échelle du tissu ? Est-ce que, typiquement, si on veut avoir un coeur d'une certaine taille, avec un certain nombre de propriétés, on est capable de demander au modèle dans ces cas-là d'un homme qu'il faudrait avoir pour obtenir ce coeur-là ? La réponse courte est oui. La réponse est un peu plus complex. Oui, mais avec énormément de qualifications sur ce que ce "oui" veut dire. Par exemple, tu as donné un exemple qui, en fait, tu appellerais "extraordinement complex". Parce que tu parles du coeur, donc d'un organ, et donc en général, quand tu veux qualifier ce qu'on cherche for a characteristic dans un organ, partir de l'ADN pour aller directement à l'organ, on est en train de sauter beaucoup d'échelle. D'accord. J'aurais pu prendre l'exemple du tissu. J'aurais pu dire "j'ai eu une peau faite de tâches de rousseurs, qu'elle est..." J'aurais pu donner un exemple un peu plus simple. Je te passe cette question, parce que tu m'as répondu. Oui, mais c'est assez complex, parce qu'on change d'échelle. Mais je te pose cette question, parce qu'il y a une semaine, à tête de Vancouver, il y avait un talk d'Erik Enguylien, qui est le fondateur d'une startup, qui a créé un modèle qui s'appelle EVO, capable de générer des séquences. À partir de séquences d'ADN, on a de l'authentique de fabriquer des brins d'ADN. On peut imaginer ce qui est assez dingue avec ce type de technologies couplées aux technologies sur lesquelles vous travaillez. Demain, on puisse imaginer d'avoir une chaîne de fabrication du vivant, en fonction d'un certain nombre de propriétés. Finalement, on prend beaucoup of these, for example, of properties at the body level and we need at least of this channel, of this genome, and then make it literally with 3D prints. Do you confirm that this is something that is envisageable? I think that the difficulty in what you suggest is the fact that because all these cells are connected, they are not just connected with, I don't know, the image that we often have in mind is that at each scale, there is a circle with a arrow that goes from the circle to the next circle, the next circle is the next scale. Connections are much more complicated than that. Each scale has a lot of different connections to all the other scales that exist, simultaneously. So what you suggest, if I understand it well, and of course correct me if I'm wrong, is to say that we want this property here, the cell is facing a X-Y work and so we say we want to have this STDN sequence. That's quite possible. But once we have made this modification, there will be many other consequences. Modifying this, we find that modifying this STDN sequence, maybe the cell will have the characteristic that we want, but there will be many others at the same time that they will be problematic. Maybe we have created a cancer cell that does its job very well. The problem is that it will also kill the human body. It is quite possible that this STDN modification that we want to see, if it existed, would create the cell that we want, but this STDN sequence is impossible to do in practice. It's a problem, I'm going to make a little digression, but it's one of the reasons why I joined Bioptimus, for which I wanted to work on these multi-scale questions. When we create, for example, antibiotics, it's very easy to... I say very easy. Comparatively, it's easy to say we want to neutralize this virus. To neutralize it, we are going to create a STDN sequence that will do this job very well. It's a problem that scientifically is quite well imposed and that we can solve. The problem is that we are going to create this STDN sequence with the sole purpose of neutralizing the virus. And we are going to create a sequence that, for example, will create antibiotics that are not stable. That we cannot create in the laboratory, because once we create them, they dissolve automatically. Or, and this is something we have seen, for example, with COVID, we are going to create treatments, we are going to create vaccines that cannot be stored in large quantities without being at such low temperatures that we can no longer deploy these vaccines. A small modification that we do can very well fix the problem that we were interested in, but biology is so complex and the scales are so connected. By doing this, we have created many other problems that may be even worse than what we started with. And so what you were describing, we are going to leave what we want, and we are going to find the modification that gives us what we were looking for. We are going to get there, but in fact, it's not the problem that we are going to solve. If we come back to things a little more concrete, and you will see that it is still quite futuristic, with this kind of application, as you mentioned in your talk, we will be able tomorrow to deploy digital twins, digital twins that allow, for example, to test personalized treatments. How do you think it's realistic to have this kind of application with your technology? I think it's something that is certainly at the level of several years, between 5 and 10 years old. But I think we can do it. One of the reasons why it's something that happens today and not yesterday, it's not only because of the advances that we have in artificial intelligence, it's also because of the biological scientific techniques to create the data that will allow us to have digital twins, that will allow us to understand how the issues influence each other, they are technologies that are being developed today, yesterday and tomorrow. So we are really at the point of science in artificial intelligence, but also in science. How do you imagine the collaboration between doctors and artificial intelligence in the horizon that you have given, in the 10 years that are coming, do you think that this will completely change the relationship with medicine, or is it going to be a fluid transition? I think, I hope, that it will be more fluid than we think. Because I think that the first way that we are going to really start to see these models being used, it's going to be, precisely to do what we were talking about, that is, simulation. It's going to be something where we are going to say, we are going to have a digital twin, we are creating the digital twin and the way in which you can be used by doctors and researchers, it's going to be to say, if we use this treatment, what is going to happen? And confirm hypotheses, unvalid hypotheses. In fact, it's going to accelerate a process that could have been very slow, that is, we are going to try this medicine, what works, what does not work, what does not work, what makes them secondary, we come back several months later and we try something else. It's going to be, for me, it's the time that exists between the moment when we like a hypothesis and the moment when we confirm it or when we invalidate it. And suddenly, we go to the next hypothesis. So suddenly, it's... Sorry. It's very effective for the doctors, but it's also very effective for the research. Exactly. And that's a fundamental revolution. It's that these technologies will allow us to accelerate the research. I don't know. We are precisely on April 17 the moment we record it. Yesterday, the last open AI model was announced. And Sam Altman announces it as one of the major pieces to accelerate scientific research. So he doesn't use exactly the same technologies as you, because he doesn't base himself, the model doesn't base itself on DNA strands, it's based on scientific papers, on the knowledge that we have in mathematics, physics, biology, etc. So he will be able to make hypotheses, maybe even help test hypotheses. But what you do, you are of a completely different nature because you don't work on scientific papers, you work on biological matter itself. And what... Can you give me an example? I don't know if we can give you an example of scientific work that can be accelerated thanks to these models. So you are really talking about almost academic research, not necessarily in terms of medical development, etc. Yes, academic research to understand biological mechanisms in a tissue, in a cell, in a DNA strand. Well, I think that the simplest example that I can give, it will stay with the digital genes of the scientific process of research. That's exactly what we are. You make a hypothesis, you do experiments to try to see if your hypothesis is well-founded, if it is confirmed by what you see in reality. And to do these experiments in biology, for example. It can be a process extremely slow, extremely expensive, extremely... It will be expensive at all levels. At the level of resources you need to have access to that can be machines that are not available, it is at the level of the genetic-biological material that you need. It is the cost of using these machines to procure this material and it is the necessary time to do these experiments that can last months or even years. When we talk about academic work, we will often say months because students have to go through their diplomas. But if we can afford to not need to do this experiment in vitro, if we can do it in silico, if we can do it with a digital double, all of a sudden what was going to take several months, it takes 2 minutes, 1 minute, 30 seconds. It is parallel, rather than testing a hypothesis, you can test 200, you can test 1000. The work to formulate the hypothesis remains necessary. It can even be done with the machine. It is a problem that is not enough for me to talk about it right away. What we did is that we compressed, we gave an incredible acceleration to the entire scientific process. What I like as a laundry is what we had with the photo. When we were taking photos I have been taking photos since I was 14-15 years old. I had a beautiful photo at home, there was chemistry, it was a laboratory. We had to turn off the lights, there was a lamp, there were bins, 3 different bins, we had to dose the bins well, it took time. But we digitized all of this and the photo accelerated a rapidly accelerating speed because we entered the world of silicon. What we saw with the photo and what you are saying is that we will see it with biology. This ability to do things extremely quickly as we do today with the digital photo we will be able to do it with experiences that we will bring to the cells, DNA, tissues, and so accelerate the research which will not prevent us at the end to verify that in the world of biology it works well. It is still an important step. There are applications today on certain diseases that use this type of technology to discover. Can you give us an example? The most obvious example for me is Alpha Fold. Alpha Fold is an artificial intelligence developed by Google DeepMind which allows us to connect from my point of view two scales which is the scale of amino acids to the scale of proteins. And the reason for which Alpha Fold is scientifically used today is because we need to create a treatment or to understand how different proteins interact with the cell. We must not only understand the definition of proteins with which we work but we can see them as a very long word. Protein is described by an alphabet which has 20 characters rather than 26 but it remains an alphabet and we can describe any protein by a list of its characters one after the other. This is the way we often study proteins and the way machines can consume them in the easiest way. But these proteins have a three-dimensional shape which is something I talk about in my TED Talk because a protein will fold. This chain of characters which is called an amino acid will fold and take a shape like a three-dimensional knot and by folding there are certain cells which will be exposed to the outside and which will be able to interact with their environment. There are other parts which will be hidden which will be found inside the knot and therefore are not able to interact with the other proteins around them. Alpha Fold allows us to predict just the word of the sequence of characters that it will be the shape of the protein when it exists in the cell and so Alpha Fold allows us to predict how different proteins will interact how an antibiotic will be able to interact with the virus how different parts of the cells will communicate with each other at the level of the way in which communication is done with the proteins. Alpha Fold is a tool which is today used scientifically that I read, that I consume for my own work. I see a lot of publications which are publications discovered by a treatment analysis of how a certain DNA mutation affects a more effective treatment and Alpha Fold is used to confirm hypotheses by saying we think that this modification for example has made that a part which before was toxic and hidden finds itself inside a knot and when we pass the new sequence of amino acids to Alpha Fold we confirm that Alpha Fold tells us that this toxic sequence is no longer available to interact with its environment. Alpha Fold has become this validation tool of hypothesis and even of explanation because we don't necessarily have to see a hypothesis we can just say that we have seen concretely that this new treatment when we look at the shape of the protein with Alpha Fold we see that what has changed is this part of the knot and so suddenly, now the scientific work is to understand why hiding this part of the knot has changed the treatment. Alpha Fold the model, the application developed especially by the teams of Demisasa Biscar on the Nobel prize of chemistry in 2023 or 2024, I don't know 2024, it seems to me Zenda, everything you are telling us can seem to be science fiction but it is not it is beautiful and good science at all costs for as much, are you a science fiction fan? Yes What is the work, the film that has the most marks maybe, which we find in a certain way, some traces in your work? I have an answer but I don't know if it will be very easy I am a Star Trek fan Yes and we can find traces of this in my work because the first algorithms that I published are named after Star Trek characters but one of the reasons that may be Star Trek and it is not a sentence that I thought to say one day that Star Trek has influenced my work and I would say that there is a lot of optimism on the way science and the world will change for the better with science and curiosity and I think what we do today, what we see in artificial intelligence today we don't talk enough I think, about the way it will have impacts that are only positive we can talk a lot about artificial intelligence to transform the world today, the life of every day etc. it is not really my field of expertise so I will not talk about it what I can say is that what we see change in medicine today with artificial intelligence it gives a crazy hope for the future in terms of people who today have diseases who will be able to see their treatment being developed because artificial intelligence will be able to do more quickly what would have taken tens of years and what would have been too slow for a treatment, for someone who is alive today, who is looking for a treatment today you are making a trick order in fact we don't communicate with you it's a bit like that thanks Zelda thanks once again for Tonto I remind you that we can find Tonto on the Youtube channel of Ted, I also invite you to discover the works of his team at Bioptimus I think the model is available in open source so for the geeks between you you can try to download it on UginFace and play maybe with it if you liked this podcast don't forget to like and share to subscribe to Ted en Français on your favorite platform see you very soon for a new episode of Ted en Français (upbeat music)