GenoMorph : l’IA au service de la dé-extinction

Quand l'ADN ancien ne suffit pas

En génomique comparative, on compare généralement plusieurs génomes. En repérant les différences entre individus ou espèces, les chercheurs peuvent isoler des séquences associées à des traits. Plus il y a de données - et mieux elles sont conservées - plus il devient possible de distinguer un signal réel d'une simple variation sans effet mesurable.

Pour les espèces disparues, cette base n'est pas toujours au rendez-vous. Colossal indique qu'elle a pu récupérer une centaine de génomes pour son projet lié au mammouth laineux, mais qu'elle ne travaillerait, pour le dodo, qu'à partir d'un seul génome. L'entreprise l'explique par la conservation : le froid a mieux préservé l'ADN des mammouths, alors que le climat tropical associé au dodo rend les vestiges génétiques plus difficiles à exploiter.

Avec un échantillon aussi réduit, une comparaison « classique » dit vite ses limites. Il devient notamment plus dur de savoir quelles variantes appartiennent vraiment à l'espèce, lesquelles reflètent surtout l'individu séquencé, et lesquelles ont réellement contribué à un trait visible. Dans ce contexte, ce n'est pas seulement une question de puissance de calcul : il faut aussi une façon de construire la méthode pour utiliser d'autres informations biologiques sans leur faire raconter une histoire plus solide qu'elles ne peuvent la soutenir.

Ajouter le développement et la forme aux données génétiques

GenoMorph combine plusieurs types d'information. Selon Ben Lamm, cofondateur et dirigeant de Colossal, la plateforme a été construite à partir de données de développement issues notamment de poulets, de cailles, de canards et de pigeons. L'entreprise dit aussi avoir intégré des données génétiques et des mesures en trois dimensions du crâne sur plus de 70 espèces d'oiseaux.

L'idée consiste à relier des régions d'ADN à ce qu'elles font pendant le développement, puis à utiliser ces liens pour repérer des mécanismes plausibles à l'origine de l'apparence du dodo. Autrement dit : le modèle ne se contente pas de signaler une différence dans une séquence, il s'appuie aussi sur ce qu'on observe chez des oiseaux vivants sur la formation de structures anatomiques.

C'est, sur le papier, une approche logique : elle réduit un espace de recherche immense. Plutôt que d'examiner toutes les variations possibles, les chercheurs obtiennent une liste de pistes à prioriser. Colossal compare l'outil à une carte pour guider l'exploration du génome du dodo.

Mais il faut garder la bonne distance : une carte ne remplace pas le territoire, et une prédiction ne vaut pas une démonstration causale. Si le modèle associe une région génétique à un trait, il reste à prouver - expérimentalement - que cette région joue bien le rôle supposé, dans le bon contexte biologique, et sans effets inattendus sur d'autres caractéristiques.

Les 2 300 cibles sont des hypothèses, pas des résultats finaux

Colossal affirme avoir identifié environ 2 300 cibles potentielles d'édition de l'ADN associées à la morphologie craniofaciale du dodo. Ce nombre peut impressionner, mais il ne faut pas l'interpréter comme un décompte de modifications validées. Ce sont des candidats à étudier en laboratoire.

Dans un projet biologique, chaque cible ouvre une série d'étapes : vérifier la qualité des données, confirmer que la région sélectionnée est pertinente, comprendre son rôle dans le développement, puis observer ce qui change après modification. Même une hypothèse solide peut échouer. Une même région peut agir différemment selon le tissu, l'étape de développement ou l'interaction avec d'autres gènes.

L'intérêt opérationnel, lui, serait de mieux prioriser. Les expériences coûtent cher en temps et en ressources. Si un outil aide à concentrer les essais sur des hypothèses plus justifiées, il peut limiter les pistes qui rapportent peu. Mais ce bénéfice dépend de la qualité réelle des prédictions et de la façon dont l'équipe rend publics ou documente les résultats - y compris les échecs, pas seulement les réussites.

C'est une question centrale dès qu'on parle d'IA en science : un modèle n'améliore pas automatiquement la recherche parce qu'il produit beaucoup de sorties. Il faut voir s'il fait gagner du temps, s'il augmente le taux de validation, ou s'il permet de concevoir des expériences plus discriminantes. Sans comparaison à des méthodes de référence, il reste difficile de juger le gain.

Accélérer les essais ne supprime pas le besoin de prudence

Colossal indique aussi avoir développé un système de nanoparticules lipidiques destiné à acheminer des outils d'édition génétique vers des embryons d'oiseaux en développement. L'objectif affiché est d'observer l'effet de certaines modifications sans attendre que l'animal atteigne sa maturité sexuelle et qu'un cycle complet de reproduction soit terminé.

Sur le plan expérimental, raccourcir le délai entre hypothèse et observation peut aider. Les équipes peuvent apprendre plus vite quelles modifications valent la peine d'être suivies. Mais accélérer une boucle ne garantit pas, à elle seule, des résultats plus fiables. Cela oblige surtout à définir des critères clairs de réussite, des contrôles adaptés et des protocoles pour repérer des effets indésirables.

L'entreprise insiste sur un point : GenoMorph ne modifie pas l'ADN lui-même. La plateforme sert à sélectionner des changements potentiels à étudier. Cette séparation entre aide à la décision et action en laboratoire compte. Elle rappelle que l'IA intervient dans le tri des hypothèses, tandis que les décisions de recherche et les actes d'expérimentation restent du ressort des humains.

Colossal ajoute que sa colonie de pigeons de Nicobar compte désormais 36 individus et que l'entreprise a créé des cellules précurseures pouvant devenir des ovules ou des spermatozoïdes. Le pigeon de Nicobar est présenté comme le parent vivant le plus proche du dodo. Ces informations vont dans le sens de la stratégie annoncée, mais elles ne prouvent pas, à elles seules, qu'un oiseau portant des traits proches de ceux du dodo pourra être obtenu. Elles décrivent des étapes distinctes : la convergence de ces étapes reste à montrer.

Une IA ne résout pas la rareté des données par magie

GenoMorph est présenté comme une réponse à un problème de données limitées, mais il ne fait pas disparaître la difficulté. Le modèle s'appuie sur des données d'espèces vivantes et sur des comparaisons. Cela peut fournir des indices, sans pour autant rendre observable la biologie du dodo comme si l'espèce était encore là.

Il y a donc un écart entre l'identification d'un motif chez des oiseaux contemporains et la démonstration que ce motif explique effectivement un trait du dodo. Les espèces ne sont pas interchangeables. Une relation observée chez un poulet, un pigeon ou un canard ne se transpose pas automatiquement à une espèce dont l'histoire évolutive est différente. Et c'est exactement le type de limite qu'un modèle peut masquer s'il affiche des scores lisibles sans afficher clairement les incertitudes derrière ces chiffres.

Pour juger la plateforme, il faudrait savoir comment les données ont été sélectionnées, comment les prédictions ont été testées et comment les résultats ont été comparés à des approches existantes. Il faudrait aussi connaître le taux de faux positifs et les cas où le modèle s'est trompé. L'annonce ne dit pas, à elle seule, ce qu'il faudrait pour une validation indépendante.

Dans ce genre de travail, une bonne méthode consiste à séparer trois niveaux : ce que le modèle prédit, ce que l'expérience observe, et ce qu'on peut conclure à partir de ces observations. Quand on mélange ces niveaux, une hypothèse finit vite par être transformée en promesse implicite.

La sécurité ne se résume pas à la précision de l'édition

Ben Lamm affirme que l'objectif de GenoMorph est de rendre le génie génétique plus précis, plus contrôlé et plus testable. Il précise aussi que repérer une modification potentielle ne signifie pas qu'elle sera automatiquement introduite dans un animal, ni qu'elle sera jugée sûre. Cette nuance est importante, mais elle ne clôt pas le débat.

La précision est un aspect de la sécurité, pas sa totalité. Il faut aussi regarder les effets sur le développement et sur le bien-être des animaux, les risques d'effets non prévus, les conséquences pour les individus concernés et, dans certains scénarios, les impacts écologiques possibles si des animaux sont élevés ou relâchés. En conservation, la question se pose aussi en termes de priorités : les ressources investies correspondent-elles à des besoins écologiques clairement identifiés, en lien avec les acteurs concernés ?

Les cadres réglementaires et les évaluations dépendent du type de travaux et de leur contexte. En Europe, il faut notamment distinguer les travaux de recherche, les organismes génétiquement modifiés et les applications concrètes - qui ne relèvent pas forcément des mêmes exigences. Les entreprises ne peuvent pas remplacer l'évaluation scientifique et réglementaire par une déclaration générale sur la précision.

Pour suivre ce type de projet, quelques questions très concrètes comptent plus qu'un grand débat abstrait sur l'IA : les résultats sont-ils publiés et reproductibles ? Les limites du modèle sont-elles documentées ? Des experts indépendants examinent-ils les protocoles ? Les décisions de poursuivre une expérience tiennent-elles compte du bien-être animal et des risques écologiques ? Les réponses à ces points permettent de juger la solidité du dispositif bien plus sûrement qu'un chiffre de cibles annoncé.