Des algorithmes d’intelligence artificielle ont déjà su créer des portraits, des œuvres d’art, des articles d’actualité, et même des pokémons presque réalistes. Une équipe de scientifiques franchit maintenant un nouveau cap avec un algorithme capable de générer l’**ADN complet de personnes fictives**.
Avec un type d’IA nommé Réseau Adversarial Génératif (GAN), deux algorithmes collaborent pour produire un résultat, puis vérifient leur création par rapport à des exemples réels tout en s’améliorant en continu. Grâce à cette technique, les chercheurs ont réussi à reproduire des **génomes humains réalistes** qu’ils affirment indiscernables de ceux existants, selon une étude dévoilée par The Next Web.
Contrairement à d’autres projets GAN, souvent présentés comme des curiosités, les chercheurs de l’**Université de Tartu en Estonie** et de l’**Université Paris-Saclay** pensent que leurs séquences génétiques fictives pourraient être un véritable atout pour les **généticiens chercheurs**. Ils soutiennent dans leur publication dans la revue PLOS Genetics que ces codes ADN pourraient favoriser des expériences génétiques sans enfreindre la **vie privée** des individus qui devraient fournir des données génétiques.
Cependant, un généticien non impliqué dans l’étude a exprimé des réserves à **Futurism**. Selon lui, il existe encore trop d’**incertitudes** concernant les différentes fonctions du génome pour le considérer comme une base d’apprentissage efficace. Bien que l’IA puisse créer des images basées sur des éléments connus, la complexité du génome humain rend difficile l’utilisation d’une telle méthode d’apprentissage.
Deanna Church, vice-présidente chez Inscripta, société de biotechnologie, a partagé son opinion : “C’est intéressant, mais les implications pratiques sur la recherche semblent limitées à l’heure actuelle. La communauté scientifique cherche encore à comprendre le fonctionnement des parties non codantes du génome.” Bien que les génomes générés par IA semblent identiques à ceux de vrais humains, cela ne signifie pas qu’ils conservent des **motifs fonctionnels** essentiels — beaucoup de ces concepts demeurent encore obscurs.
La question cruciale demeure : ces génomes générés par GAN pourraient-ils véritablement former une séquence génétique humaine fonctionnelle ? Les auteurs de l’article n’ont pas répondu aux demandes de commentaires de Futurism, mais Church se montre sceptique à cet égard.
“Concernant la possibilité de produire un être humain à partir de ces données générées, je ne vois pas comment cela pourrait être réalisable,” dit-elle. “Il existe un long chemin entre générer des séquences génomiques et les convertir en cellules humaines, sans même parler d’un être humain.” Elle conclut en notant que, bien que cette recherche soit passionnante, ses **applications pratiques** restent à démontrer.
EN SAVOIR PLUS : Ce génome humain n’existe pas : Des chercheurs ont appris à une IA à générer de l’ADN fictif [TheNextWeb]
En savoir plus sur les GAN : Cet outil teste si vous pouvez identifier des visages créés par l’IA
FAQ
Qu’est-ce qu’un Réseau Adversarial Génératif (GAN) ?
Un GAN est un type d’IA où deux réseaux s’affrontent pour générer des données, permettant ainsi de créer des résultats réalistes en évolution continue.
Pourquoi est-il important de générer des séquences ADN fictives ?
Ces séquences peuvent servir à la recherche scientifique sans compromettre la vie privée des individus, facilitant ainsi des études sur le génome humain.
Peut-on vraiment utiliser ces génomes générés par IA pour des applications médicales ?
Actuellement, leur utilisation à des fins médicales est encore incertaine et nécessite davantage de recherche avant d’être considérée comme viable.
Quel est le principal défi lié à la compréhension du génome humain ?
Il reste de nombreuses zones d’ombre concernant la fonction des différentes parties du génome, rendant difficile toute approche d’apprentissage basée sur des données générées artificiellement.
Ces techniques pourraient-elles un jour remplacer des échantillons ADN réels ?
Pour le moment, aucune technique ne peut remplacer les échantillons réels, car la complexité des interactions génétiques humaines reste inégalée.
