L’Intelligence artificielle est désormais utilisée pour s’assurer que les plantes modifiées par édition génétique ne soient pas seulement réussies en laboratoire mais qu’elles affrontent avec succès les conditions du terrain, c’est-à-dire qu’elles soient réellement robustes, productives et adaptées aux conditions réelles de la culture agricole.
Il s’agit du parcours entre le moment où les scientifiques modifient l’ADN d’une plante en laboratoire et le moment où cette modification donne un résultat concret et mesurable en conditions réelles. Les scientifiques utilisent des algorithmes d’intelligence artificielle et des modèles prédictifs pour choisir la meilleure façon de croiser ou de sélectionner les plantes.
En effet, en laboratoire, une modification génétique (via CRISPR par exemple) peut sembler idéale. Cependant, et c’est le problème central, une fois la plante plantée dans un vrai champ, confrontée aux variations du climat, du sol ou des maladies, ses performances réelles sont souvent inférieures aux prévisions. C’est cet écart entre les résultats en labo et les résultats sur le terrain que les Anglo-Saxons appellent performance gap.
L’IA est spécifiquement utilisée pour analyser et réduire cette différence, afin de garantir que les plantes modifiées génétiquement soient aussi performantes en milieu naturel qu’en laboratoire.
La nouvelle frontière de l’édition génétique
La prochaine frontière en matière d’édition génétique des cultures consiste à comprendre comment les caractères modifiés interagissent avec le reste du génome sur le terrain, une tâche pour laquelle l’IA est utilisée. L’IA aide les sélectionneurs à prédire les performances des caractères génétiquement modifiés sur le terrain.
L’édition génétique ouvre la porte à des modifications ciblées des cultures, mais le bagage génétique dans lequel une modification est exprimée peut faire ou défaire ses performances sur le terrain. Le bagage génétique fait référence à l’ensemble du matériel héréditaire – son génome – codé dans l’ADN de ses cellules. Il s’agit du programme biologique qui dicte le fonctionnement, la croissance, le développement et les caractéristiques de la plante. Ces éléments peuvent influencer les performances d’une nouvelle modification.
Cependant, le concept n’a pas encore été pleinement exploité car les chercheurs ne comprennent toujours pas parfaitement comment les différents fonds génétiques influencent les caractéristiques des cultures. Et c’est là qu’intervient l’IA.
Les apports majeurs de l’IA
L’Intelligence artificielle transforme l’édition génétique (comme CRISPR-Cas9) en passant d’une méthode empirique basée sur le tâtonnement à une ingénierie moléculaire de précision. Ses quatre rôles majeurs sont :
- Maximiser la précision de la coupure (Design d’ARN guide).
Pour modifier un gène, il faut fabriquer un « ARN guide » qui emmène les ciseaux moléculaires (Cas9) à l’endroit exact. L’IA analyse des milliards de séquences pour prédire quel guide sera le plus efficace et éviter les effets off-target, c’est-à-dire des erreurs de coupure à un mauvais endroit dans l’ADN. - Prévoir la réparation cellulaire.
Une fois l’ADN coupé, la cellule tente de le réparer seule. Des modèles de Deep Learning (comme inDelphi ou CRISPR-Spread) prédisent à l’avance la séquence exacte que la cellule produira en se réparant, ce qui permet d’anticiper le résultat final sans attendre les tests en laboratoire. - Concevoir de nouvelles enzymes (IA générative).
Au lieu de réutiliser des enzymes naturelles, des modèles génératifs (similaires à ChatGPT mais entraînés sur des protéines) créent des ciseaux moléculaires synthétiques plus petits, plus précis ou capables d’opérer dans des zones de l’ADN autrefois inaccessibles. - Prévoir l’effet sur l’organisme (du labo au terrain).
Modifier un gène peut avoir des effets en chaîne. En agriculture ou en médecine, l’IA simule l’interaction entre la modification génétique et son environnement (climat, sol, maladies, etc.) pour garantir que l’édition produise le résultat souhaité dans la réalité.
De nombreuses sociétés semencières s’intéressent à l’apport de l’IA à l’édition génétique, particulièrement pour le colza, la tomate GABA ou les bananes qui ne brunissent pas. L’utilisation combinée de la sélection prédictive et de l’édition génétique pourrait produire de nouvelles variétés pour la moitié du coût et la moitié du temps de la sélection traditionnelle.
