mardi 13 février 2024

Concevoir des protéine nouvelles — une approche "ingénieur" depuis de nouvelles structures jusqu'à des fonctions programmable

En bref

L'intelligence artificielle (IA) entraînée sur de vastes ensembles de données de séquences et de structures de protéines permet désormais de composer - sans partir de protéines trouvées dans la nature (=de novo ) des protéines avec de nouvelles formes et de nouvelles fonctions moléculaires.
De nouvelles structures protéiques et des assemblages (structure quaternaire) peuvent être conçues et vérifiés expérimentalement avec un taux de succès considérable. Et il devient possible d'attaquer des problèmes difficiles nécessitant un contrôle et un réglage des interactions moléculaires. Ces approches émergentes intègrent dès la conception des principes d'ingénierie : la réglabilité, la contrôlabilité et la modularité. Cette approche synthétique à partir de zéro permet d'explorer des fonctions cellulaires, et des voies  de signalisation cellulaire. Mais de nombreux défis restent à résoudre. Traduction adaptée d'après Kortemme, T. (2024) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici

Une nouvelle approche - plus "ingénieur" des sciences de la vie

Les protéines peuvent accélérer de plusieurs ordres de grandeur la vitesse de réactions chimiques, de convertir l'énergie lumineuse en énergie chimique et de réguler des myriades de processus au sein des cellules et des organismes avec la précision permettant la vie. Ces fonctions puissantes des protéines naturelles en ont fait des outils de choix pour l'ingénierie moléculaire. Elles ont permis la compréhension des mécanismes des fonctions moléculaires et cellulaires et des applications pratiques telles que la catalyse, la biotechnologie. Elles ont fourni des outils de précision pour la recherche scientifique et médicale. 

Ce nouveau domaine de la conception de protéines révise maintenant fondamentalement cette approche. Plutôt que de ré-ingéniérer des protéines existantes, il devient possible de construire à partir de zéro des protéines avec des architectures et des fonctions complexes, aussi puissantes que celles présentes dans la nature mais nouvelles et programmables par l'utilisateur. Traduction adaptée d'après Kortemme, T. (2024) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici

Si les méthodes classiques sont si remarquables, pourquoi réinventer ?

En effet, pourquoi construire quelque chose de nouveau si l'on peut emprunter, réutiliser et reprogrammer à partir de protéines naturelles, voire même parvenir à des fonctions n'existant pas dans la nature. En effet, l'approche consistant à faire évoluer ou recombiner des composants protéiques existants pour de nouvelles fonctions a été incroyablement réussie, et la conception de novo a longtemps été en retard en raison de ses limitations apparentes. Les protéines conçues de novo sont souvent moins actives que leurs homologues naturelles et ont nécessité, pour améliorer leur activité de vastes de criblage par évolution dirigée. De plus de nombreuses fonctions souhaitées semblaient hors de portée.

Concevoir des protéines fonctionnelles entièrement de novo, sans les caractéristiques propres aux protéines évoluées,  pourrait présenter plusieurs avantages distincts (Figure 1A).
Le plus évident est de permettre des fonctions qui n'ont pas encore été observées dans la nature (pour lesquelles il n'y a pas de points de départ évidents pour l'évolution dirigée).
Le deuxième avantage est que la conception de novo pourrait permettrait de créer des protéines intégrant des principes fondamentaux d'ingénierie : la réglabilité, la contrôlabilité et la modularité.
Il s'agit donc de concevoir des protéines qui seraient
(1) réglables, de sorte qu'il soit facile de générer des versions aux paramètres biochimiques précisément modifiés,
(2) contrôlables, de sorte que la fonction protéique réponde aux stimuli internes et externes, et 
(3) modulaires, de sorte que nous puissions intégrer facilement différentes fonctions dans des machines moléculaires composites et des ensembles.
Traduction adaptée d'après Kortemme, T. (2024) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici

Fig 1: Figure 1 design de protéines De novo avec l'AI  [img]. Source : Kortemme, T. (2024)
(A) Concevoir des protéines de novo  permet de concevoir des protéines intégrant des principes d'ingénierie : être (1) réglables (tunable) dans leurs propriétés quantitatives (taux, affinités, etc.), (2) contrôlables par des entrées variées, et (3) modulaires de telle sorte que les éléments protéiques puissent être liés pour obtenir des comportements d'entrée/sortie variés.
(B) Des objectifs définis par l'utilisateur (à gauche) et des entrées (au milieu) sont utilisés pour générer des protéines avec de nouvelles structures et fonctions (à droite). Les catégories 1 à 4 représentent des instructions de plus en plus simples conduisant à des résultats de conception de plus en plus complexes. Les boîtes indiquent des objectifs de conception avec des exemples validés expérimentalement. (1) Les méthodes basées sur l'IA pour concevoir de nouvelles structures protéiques peuvent être sans contrainte (générer diverses structures protéiques ; les hélices α sont indiquées en rouge et les brins β en jaune) ou être contraintes pour diversifier une structure particulière. (2) La plupart des méthodes actuelles pour concevoir une fonction spécifient un "motif" avec des positions et des orientations de résidus définies dans un site fonctionnel. Dans une deuxième étape, une protéine est générée de novo entourant et stabilisant la géométrie précise du site fonctionnel. Ce processus est appelé "échafaudage de motif". (3) Des avancées dans les méthodes basées sur l'IA sont en développement et définissent uniquement la cible, la méthode de conception générant un liant prédit. (4) À partir d'une fonction cible (par exemple, convertir le substrat S en produit P), une méthode d'IA pourrait générer une protéine répondant à ces exigences. Actuellement, les modèles linguistiques protéiques formés sur des familles spécifiques de protéines ou de grands ensembles de données expérimentales peuvent générer de nouvelles séquences avec des fonctions similaires à celles de l'ensemble d'entraînement.


Principes de conception de la fonction : Motifs et échafaudages

De manière générale, la conception computationnelle de fonctions (Figure 2) implique deux étapes : la première étape définit les exigences pour la fonction, et la deuxième étape optimise une structure protéique, et une séquence qui correspondent à ces exigences. Avec les progrès de l'apprentissage profond (deep learning) appliqué aux protéines, la manière dont ces étapes sont réalisées évolue rapidement, avec des taux de réussite de plus en plus remarquables. Traduction adaptée d'après Kortemme, T. (2024) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici
Principes de conception de la fonction : Motifs et échafaudages,De manière générale, la conception computationnelle de la fonction (Figure 3) implique deux étapes : la première étape définit les exigences pour la fonction, et la deuxième étape optimise une structure protéique et une séquence qui correspondent à ces exigences. Avec les progrès de l'apprentissage profond appliqué aux protéines, la manière dont ces étapes sont réalisées évolue rapidement, avec des taux de réussite de plus en plus remarquables.
Fig 2 : Conception De novo de fonctions moléculaires  [img]. Source : Kortemme, T. (2024)

Protéines de novo pour contrôler les fonctions cellulaires

Les systèmes de signalisation synthétiques capables de contrôler les processus biologiques ont déjà de nombreuses applications en biologie fondamentale, en bio-ingénierie et en médecine(les récepteurs d'antigènes chimériques [CAR] en sont un exemple remarquable). Jusqu'à présent, la grande majorité de ces systèmes de signalisation utilisent des composants d'origine naturelle recombinés ou reprogrammés pour de nouvelles fonctions. On peut maintenant, en principe, construire des systèmes de signalisation protéique entièrement à partir de zéro. Contrairement aux protéines naturelles qui ont évolué pour fonctionner dans des contextes spécifiques, les protéines de novo pourraient être conçues avec une fonction indépendante du contexte permettant une ajustabilité et un comportement modulaire (Figure 1). De plus, de nouvelles fonctions encore jamais observées dans la nature pourraient être réalisées : détecter de nouveaux signaux, intégrer des signaux, effectuer des opérations logiques et réguler précisément les comportements biologiques en aval (Figure 3). Pour chacune de ces fonctions, on pourrait générer des composants élémentaires avec des propriétés ajustables (telles que la cinétique de liaison et de détachement, des géométries d'assemblage diverses, etc.), et ces composants pourraient être liés de manière modulaire pour générer divers comportements de signalisation. Traduction adaptée d'après Kortemme, T. (2024) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici
Figure thumbnail gr4
Fig 3: Protéines de novo pour contrôler les fonctions cellulaires [img] Source : Kortemme, T. (2024)

Limites

Dans sa conclusion, Kortemme, T. (2024) liste les potentiels immenses de la conception computationnelle de novo  de protéines. (ici). Puis discutes les limites.
De nombreux défis passionnants restent à relever. A l'horizon,  la prédiction du comportement des protéines au-delà de la structure : des paramètres quantitatifs tels que les affinités de liaison, la dynamique conformationnelle et en fin de compte, les fonctions cellulaires. Les progrès dans l'apprentissage profond nécessiteront des données informatives à une échelle suffisante pour permettre une conception précise de ces comportements. Les fonctions avancées des protéines sont souvent composites, couplant les signaux d'entrée à des sorties fonctionnelles diverses ; la conception prédictive devrait donc être capable d'intégrer de multiples objectifs. L'extraction de principes à partir des données est importante pour rendre les propriétés de protéines souhaitées réellement réalisables. De nouvelles opportunités résident dans la construction de fonctions complexes à partir de zéro. Ici, les protéines de novo pourraient être conçues a priori avec les principes d'ingénierie de l'ajustabilité, de la contrôlabilité et de la modularité. Des familles de tels composants de novo, dotés de propriétés ajustables et contrôlables, pourraient être recombinées pour générer des comportements divers. L'interfaçage de ces systèmes de novo avec les processus biologiques pourrait permettre à la fois de déconstruire les fonctions cellulaires et de les contrôler. Le domaine en évolution rapide de la conception de protéines de novo offre un environnement passionnant pour la créativité des scientifiques et ingénieurs pour aborder les nombreux défis non résolus, bien plus nombreux que ceux déjà "résolus", aux interfaces des fonctions biologiques et des fonctions nouvelles à la nature. Traduction adaptée d'après Kortemme, T. (2024) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici

(Les membres Jump-To-Science peuvent obtenir ces articles).

Références:


mardi 23 janvier 2024

IA et éducation : menace ou opportunités... quelques réflexions

L'Intelligence Artificielle et l'éducation... une menace sur les activités et l'évaluation ?   

La façon dont la science se fait et se publie est déjà en transformation... Dans la revue Science, Sibel Erduran (2023) ici , titre "L'IA transforme la façon dont la science se fait. L'enseignement des sciences doit refléter ce changement".Elle mentionne un document de l'UNESCO Guidance for generative AI in education and research ici.Elle y discute comment les approches traditionnelles sont les plus menacées par l'IA générative (ChatGPT par exemple). Surtout lorsqu'elles font appel aux objectifs d'apprentissage les plus basiques (mémoriser, reformuler, …).

Un extrait
"Certaines des préoccupations concernant l'impact de l'IA sur l'apprentissage reposent sur des notions dépassées de l'apprentissage humain. L'enseignement scientifique traditionnel a favorisé la transmission de faits et le rappel d'informations en tant qu'indicateurs de l'apprentissage. Par exemple, on attendait traditionnellement des élèves qu'ils mémorisent l'équation chimique de la photosynthèse ou qu'ils soient capables de réciter la loi d'Ohm. Dans cette représentation de l'apprentissage, les informations seraient facilement récupérées grâce à l'IA, ce qui rendrait ambigus les résultats d'apprentissage des étudiants. En revanche, des perspectives plus contemporaines sur l'apprentissage préconisent des compétences telles que la pensée critique comme des résultats importants de l'apprentissage, qui peuvent potentiellement être copiés dans une certaine mesure mais sont difficiles à imiter grâce à l'IA. Les compétences tournées vers l'avenir Future-oriented skills, telles que la réflexion sur des scénarios, la pensée systémique et la gestion de l'incertitude et de la complexité, nécessitent plus que le rappel ou même la gestion de grands ensembles de données. Ils impliquent une créativité et une innovation considérables. Certains psychologues cognitifs  soutiennent que même si l'IA peut aider à résumer et à généraliser les informations existantes, elle n'est pas conçue pour répondre à des compétences humaines plus sophistiquées qui nécessitent de l'innovation, comme la conception de théories. Cependant, la recherche et le développement émergents dans le domaine de l'IA remettent en question ces visions, par exemple en explorant le potentiel des systèmes d'IA pour mettre en évidence les angles morts des hypothèses scientifiques blind spots in scientific hypotheses et contribuer à générer de nouvelles questions." Traduction automatique de Erduran, S. (2023) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine  ici

Les objectifs d'apprentissage les plus menacés par l'IA… 

Stasse, S. (2023) ici s'inspire d'un texte de l'Oregon state University ici pour montrer lesquels des objectifs de Bloom sont lre plus menacés par l'IA générative Cf. Fig. 1 .
On notera que le verbe "comprendre" au sens de Bloom n'a en science pas la même signification : en science on peut considérer qu'un élève a compris s'il peut utiliser les explications d'un phénomène (vivant, physique, chimique) vues en classe pour expliquer une observation ou prédire ce qui se passera dans une situation similaire ou peu différente "Appliquer" dans la  classification de Bloom. De nombreux scientifiques ne se reconnaissent pas bien dans cette classification, et Crowe et al. (2008) ici clarifient en décrivant comment ces objectifs obscurs se traduisent concrètement en classe, pour concevoir des activités, les évaluer, etc. Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine  ici

Bloom revisté  à la lumipère de lAI

Fig 1: Les objectifs d'apprentissage;  ceux que l'IA menace et les compétences spécifiques humaines [img]. Source : Stasse, S. (2023) ici

Plus loin, Sibel Erduran (2023) ici , montre comment des approches pédagogiques de l'IA générative peuvent non seulement innover mais aussi stimuler les élèves et sans doute les enseignantes et enseignants. Surtout lorsqu'elles dépassent l'"appris par coeur" et font appel aux objectifs plus élevés (comprendre ( = appliquer dans le langage de Bloom), évaluer, créer, …) - qui sont d'ailleurs les plus spécifiques de la pensée scientifique. Et correspondent assez aux exigences du Plan d'action en faveur de l'éducation numérique.(DIP). (2019).ici
Elle montre que des exemples existent déjà, dont on peut s'inspirer:

"De nombreux enseignants et étudiants du secondaire utilisent déjà des plateformes telles que ChatGPT. En fait, l'utilisation de ChatGPT peut potentiellement simuler ce que font les scientifiques eux-mêmes lorsqu'ils utilisent de tels outils pour générer des connaissances documentaires pour les manuscrits académiques. Des stratégies pédagogiques telles que le questionnement (par exemple: "Comment savons-nous que ce texte produit par ChatGPT est correct ?") peuvent être envisagées à des fins spécifiques d'apprentissage de ce qu'est la nature de la science (NOS) infusé par l'IA, par exemple pour encourager les étudiants à générer et à appliquer des critères d'évaluation de l'exactitude. De telles approches devront cependant être accompagnées d'une formation des enseignants non seulement pour qu'ils utilisent les outils et les données de l'IA, mais aussi pour comprendre comment la science évolue plus largement à l'ère de l'IA.
Bien que le programme NOS infusé par l'IA dans l'enseignement des sciences soit un défi de taille, certaines interventions éducatives existantes 
(existing educational interventions) peuvent fournir des lignes directrices pour guider les objectifs au sein du système éducatif et mettre en évidence la manière de s'attaquer aux angles morts fréquents dans la réforme éducative. Par exemple, des réseaux scolaires ouverts open schooling networks peuvent être créés pour favoriser les communautés d'apprentissage impliquant un large éventail de partenaires, notamment les étudiants, les enseignants, les formateurs d'enseignants, les scientifiques et les décideurs politiques. Si l'enseignement scientifique secondaire doit former la future génération de scientifiques et les doter de compétences pertinentes et actuelles, il est essentiel qu'il s'adapte aux derniers développements de la recherche scientifique appuyée sur l'IA. Autrement, l'écart entre la science que pratiquent les chercheurs et d'autres scientifiques et la science scolaire risque de se creuser au point  qu'au moment où les élèves du secondaire entreront à l'université, leur compréhension de ce qu'est la science sera déjà dépassée." Traduction automatique de Erduran, S. (2023) Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine  ici

L'Intelligence Artificielle et l'éducation : des parallèles troublants… des pistes pour stimuler la réflexion ?

Les résultats de l'IA sont liés notamment à la manière dont on entraîne ces programmes… Depuis une perspective éducative, il est évidemment tentant d'établir des parallèles avec la façon dont on éduque les élèves. 
On n'est pas surpris que les IAmanifestent des mêmes biais que ce que les
  sources qu'on  leur a donné  pour les éduquer (p. ex. Castelvecchi,  2020) ici Autrefois déjà on disait en informatique GIGO (garbage in garbage out).  
Quand on voit discuter les stratégies d'apprentissage des IA - diverses et plus ou moins efficaces (Dennis, et al., 2020) JTS Ici ) ou produisant des apprentissages difficilement prévisibles, voire complètement orientés vers le test comme le discutent des chercheurs avec le prof. C. Lovis de l'UNIGE- HUG (Turbé, et al. 2023) ici, on est tenté
d'évoquer la discussion sur les pédagogies et leur efficacité…
On sait depuis longtemps en éducation que les élèves apprennent ce qui va être évalué, ils le devinent même quand l'enseignante ou l'enseignant dit le contraire (Perrenoud, 2004).

Evidemment tous ces parallèles sont discutable … Et bien discutons-en ! Il n'est pas certain que les chercheurs en IA surfant cette vague de succès voudront de notre réflexion, mais cela peut amener à repenser nos pratiques.

Une IA "se parle" à elle-même; cela lui permet de s'autocorriger, mieux transposer à des situations nouvelles, et visibilise le "raisonnement" ... un peu comme la métacognition en éducation humaine ?

Abstract de de Hu, S. et Clune, J. (2023) ici

"Le langage est souvent considéré comme un aspect clé de la pensée humaine, offrant des capacités exceptionnelles pour généraliser, explorer, planifier, replanifier et s'adapter à de nouvelles situations. Cependant, les agents d'apprentissage par renforcement (RL) n'atteignent - et de loin - des performances de niveau humain dans aucune de ces capacités. Nous émettons l'hypothèse que l'une des raisons de ces déficits cognitifs est qu'ils ne bénéficient pas des avantages de la pensée linguistique et que nous pouvons améliorer les agents d'IA en les entraînant à penser comme le font les humains. Nous introduisons un nouveau cadre d'apprentissage par imitation, le clonage de pensée, dont l'idée est non seulement de cloner des comportements humains, mais également les pensées que les humains ont lorsqu'ils exécutent ces comportements. Alors que nous nous attendons à ce que le clonage de pensée brille vraiment à grande échelle sur des ensembles de données de taille Internet sur des humains pensant à voix haute tout en agissant (par exemple, des vidéos en ligne avec transcriptions), nous menons ici des expériences dans un domaine où les données de réflexion et d'action sont générées de manière synthétique. Les résultats révèlent que le clonage de pensée apprend beaucoup plus rapidement que le clonage comportemental et que son avantage en termes de performances augmente à mesure que les tâches de test sont plus loin des tâches d'apprentissage, soulignant sa capacité à mieux gérer des situations nouvelles. Le clonage de pensée offre également des avantages importants en termes de sécurité et d'interprétabilité de l'IA, et facilite le débogage et l'amélioration de l'IA. Parce que nous pouvons observer les pensées de l'agent, nous pouvons (1) diagnostiquer plus facilement pourquoi les choses ne vont pas, ce qui facilite la résolution du problème, (2) orienter l'agent en corrigeant sa pensée, ou (3) l'empêcher de faire des actes dangereux, parmi les choses qu'il envisage de faire. Dans l'ensemble, en formant les agents à penser et à se comporter, le clonage de pensée crée des agents plus sûrs et plus puissants." Traduction automatique Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici

La métacognition dans l'apprentissage …

De nombreuses recherches mettent en évidence l'importance de la métacognition dans l'apprentissage (humain). Cf. p .ex une présentation concise de ce concept, de son efficacité et des moyens de l'utiliser en classe par Kimberly Tanner (2010) ici.
Pour vous donner envie de lire son texte JTS en a extrait quelques définitions :
  • La métacognition fait référence à la connaissance de ses propres processus cognitifs ou de tout ce qui s'y rapporte, par exemple les propriétés des informations ou des données pertinentes pour l'apprentissage. Par exemple, je m'engage dans la métacognition si je remarque que j'ai plus de difficulté à apprendre A que B ; s'il me semble que je devrais vérifier C avant de l'accepter comme un fait. (Flavel, 1976)
  • Métacognition : conscience ou analyse de ses propres processus d'apprentissage ou de réflexion. (Merriam-Webster, 2012)
  • La métacognition comprend également l'autorégulation – la capacité d'orchestrer son apprentissage : planifier, surveiller les réussites et corriger les erreurs le cas échéant – tout cela est nécessaire pour un apprentissage intentionnel efficace… La métacognition fait également référence à la capacité de réfléchir sur sa propre performance. (Conseil national de recherches, 2000)
  • Les élèves apprennent à suivre et à diriger leurs propres progrès, en posant des questions telles que « Qu'est-ce que je fais maintenant ? », « Est-ce que cela me mène quelque part ? », « Que pourrais-je faire d'autre à la place ? » Ce niveau métacognitif général aide les élèves à éviter de persévérer dans des démarches improductives… (Perkins et Salomon, 1989)
Tanner y discute dans la table 1 des exemples d'auto-questions pour promouvoir la métacognition des élèves sur leur apprentissage
• De quoi parlait la séance de cours d'aujourd'hui ? • Qu'ai-je entendu aujourd'hui qui est en conflit avec ma compréhension antérieure ? • Quel est le lien entre les idées de la séance de cours d'aujourd'hui et les cours précédents ? • Que dois-je faire activement maintenant pour obtenir des réponses à mes questions et clarifier mes confusions ? • Qu'est-ce que j'ai trouvé le plus intéressant dans le cours d'aujourd'hui ?
Dans quelle mesure ai-je réussi à atteindre les objectifs de la tâche ? • Dans quelle mesure ai-je utilisé les ressources à ma disposition ? • Si j'étais l'instructeur, qu'est-ce que j'identifierais comme points forts et défauts de mon travail ? • Lorsque je refais un devoir ou une tâche comme celle-ci, qu'est-ce que je veux me rappeler de faire différemment ? Qu'est-ce qui a bien fonctionné pour moi et que je devrais utiliser la prochaine fois ?
• Qu'est-ce qui dans ma préparation à l'examen a bien fonctionné et que devrais-je penser à faire la prochaine fois ?
• Qu'est-ce qui n'a pas si bien fonctionné que je ne devrais pas faire la prochaine fois ou que je devrais changer ? • À quelles questions n'ai-je pas répondu correctement ? Pourquoi? Comment ma réponse peut-elle être comparée à la bonne réponse suggérée ? • À quelles questions n'ai-je pas répondu correctement ? Pourquoi? Quelles confusions ai-je et dois-je encore clarifier ?
• De quoi me souviendrai-je encore dans 5 ans de ce que j'ai appris dans ce cours ?
• Quels conseils pourrais-je donner à un ami sur la façon d'apprendre le mieux possible dans ce cours ? • Si je devais enseigner ce cours, comment le modifierais-je ? • Qu'ai-je appris sur la façon dont j'apprends dans ce cours et que je pourrais utiliser dans mes futurs cours de biologie/sciences ? Dans ma carrière ?

Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici

Souvent les enseignants s'irritent d'élèves qui ne semblent pas comprendre ce qui est attendu d'eux : Bromme et al. (2010) montrent ici que c'est la façon dont l'étudiant-e imagine ce qui est attendu qui détermine la façon dont il-elle oriente son apprentissage 

Commentaire de Christian Lovis,

C. Lovis est -entre autres - responsable du Service des sciences de l'information médicale des HUG et professeur à la faculté de médecine de l'UNIGE, c'est  un spécialiste de l'IA. 
"Il est l'un des principaux experts suisses dans le domaine de la gestion des données, de l'interopérabilité, de la sémantique et de l'analyse des données appliqués à la santé ainsi qu'aux contextes cliniques".Cf. ici

"La capacité à juger de ce qui est contrefactuel, de ce qui est insuffisant, ou redondant, dépend de ses propres connaissances ou d'un gros travail de recherche.

Les LLM ont d'immenses « connaissances », et une compétence objective, by design, de génération, d'où leur nom de modèles génératifs. Ce sont des créateurs !

Ils n'ont en revanche pas de compétences cognitives, ou alors éventuellement comme propriétés émergentes, mais c'est débattu et plus un objet de croyance que de science à l'heure actuelle. Il faut reconnaître qu'il est plus simple de montrer leur incompétence cognitive que de démontrer la naissance d'une propriété émergente cognitive.

Ce que cela signifie pour moi par rapport à la pédagogie ne me semble pas changer beaucoup de ce que la pédagogie dit depuis Montaigne. Une tête bien faite – une tête bien pleine.  Une personne qui sait tout, peut aussi être le sommet de la bêtise, et malgré tout aura des avantages compétitifs dans une société qui mise beaucoup sur le savoir.

Mais  doit-on véritablement se mettre dans ces extrêmes, et ne pas considérer l'IA comme une nouvelle intelligence qui s'ajoute à toute celles qu'on a déjà ? Et apprendre à l'utiliser ?"

Avec l'IA générative, on a toujours affaire à un travail de groupe !

Considérer l'IA comme une nouvelle intelligence qui intervient dans l'éducation, c'est aussi ce que propose David Wiley dans son Blog : avec les IA génératives, l'activité des élèves doit être vue et évaluée comme un travail de groupe, une collaboration des intelligences "All work is group work now : Collaborative learning as a pedagogical and assessment framework for learning with generative AI"
Il propose un cadre pour penser l'éducation et l'évaluation. " L'idée centrale est de ne plus de considérer l'IA générative comme un outil mais de la considérer comme un collaborateur légitime. Ce changement de cadre vous permet de commencer à voir comment la recherche, la théorie et la pratique existantes en matière d'apprentissage collaboratif – et d'apprentissage social plus largement – pourraient être adaptées pour nous aider à comprendre comment utiliser l'IA générative pour soutenir efficacement l'apprentissage."
S'inspirant de toute la recherche sur l'apprentissage collaboratif, Wiley propose
  • "Introduire le travail avec l'IA générative au début du semestre pour définir clairement les attentes envers les étudiants.
  • Établir des règles de base pour la participation et les contributions.
  • Planifier chaque étape de la collaboration avec l'IA générative.
  • Expliquer soigneusement à vos étudiants comment fonctionnera la collaboration avec l'IA générative et comment les étudiants seront notés.
  • Aider les élèves à développer les compétences dont ils ont besoin pour réussir, […] notamment les techniques de métacognition.
  • Penser à formaliser les responsabilités par des contrats écrits.
  • Intégrer l'auto-évaluation et l'évaluation par les pairs pour que les apprenants puissent évaluer leurs propres contributions et celles de l'IA générative." Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici
L'irruption d'autres intelligences dans le triangle didactique (ou pédagogique) peut être discutée comme un Tétraèdre avec l'IA comme 4ème pôle (Lombard, F., 2007)Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine : ici


(Les membres Jump-To-Science peuvent obtenir ces articles).

Références:

  • Bromme, R., Pieschl, S., & Stahl, E. (2010). Epistemological beliefs are standards for adaptive learning : A functional theory about epistemological beliefs and metacognition. Metacognition and Learning, 5(1), 7‑26. https://doi.org/10.1007/s11409-009-9053-5
  • Castelvecchi, D. (2020). Is facial recognition too biased to be let loose? Nature, 587(7834), 347‑349. https://doi.org/10.1038/d41586-020-03186-4
  • Crowe, A., Dirks, C., & Wenderoth, M. P. (2008). Biology in bloom : Implementing Bloom's taxonomy to enhance student learning in biology. Life Sciences Education, 7(4), 368. https://doi.org/10.1187/cbe.08-05-0024.
  • Département de l'instruction publique, de la formation et de la jeunesse (DIP). (2019). Plan d'action en faveur de l'éducation numérique. https://edu.ge.ch/enseignement/education-numerique/actualites/plan-daction-en-faveur-de-leducation-numerique-2768
  • Erduran, S. (2023). AI is transforming how science is done. Science education must reflect this change. Science, 382(6677), eadm9788. https://doi.org/10.1126/science.adm9788
  • Dennis, M., Jaques, N., Vinitsky, E., Bayen, A., Russell, S., Critch, A., & Levine, S. (2020). Emergent Complexity and Zero-shot Transfer via Unsupervised Environment Design. NeurIPS, 12.
  • Hu, S., & Clune, J. (2023, juin 1). Thought Cloning : Learning to Think while Acting by Imitating Human Thinking. arXiv.Org. https://arxiv.org/abs/2306.00323v2
  • Lombard, F. (2007). Du triangle de Houssaye au Tétraèdre des TIC : Comment l'analyse des productions TIC permet d'approcher une compréhension des interactions entre les savoirs d'expérience et de recherche . In B. Charlier & D. Peraya (Eds.), Les technologies éducatives : une opportunité d'articuler les savoirs d'expérience et ceux issus de la recherche ? Bruxelles : De Boeck.
    pdf)
  • Oregon state University. (s. d.). Advancing Meaningful Learning in the Age of AI – Artificial Intelligence Tools – Faculty Support | Oregon State Ecampus | OSU Degrees Online. Artificial Intelligence Tools Advancing meaningful learning in the age of AI. Consulté 16 janvier 2024, à l'adresse https://ecampus.oregonstate.edu/faculty/artificial-intelligence-tools/meaningful-learning/
  • Perrenoud, P. (2004). Métier d'élève et sens du travail scolaire (4ème édition). E.S.F.
  • Stasse, S. (2023, septembre 14). Bloom revisité à la sauce IA. CADRE21. https://www.cadre21.org/pedagogie/bloom-revisite-a-la-sauce-ia
  • Tanner, K. D. (2012). Promoting Student Metacognition. Cell Biology Education, 11(2), 113‑120. https://doi.org/10.1187/cbe.12-03-0033
  • Turbé, H., Bjelogrlic, M., Lovis, C., & Mengaldo, G. (2023). Evaluation of post-hoc interpretability methods in time-series classification. Nature Machine Intelligence, 5(3), 250‑260. https://doi.org/10.1038/s42256-023-00620-w
  • UNESCO pour l’éducation, la science et la culture, Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. pdf
  • Wiley, D. (). All work is group work now : Collaborative learning as a pedagogical and assessment framework for learning with generative AI. Improving Learning  Eclectic, Pragmatic, Enthusiastic. Consulté 23 janvier 2024, à l'adresse https://opencontent.org/blog/archives/7324

Remerciements

Merci à Christian Lovis pour son commentaire et à Laura Weiss pour une relecture et des commentaires constructifs

Révision  le 24.01.2024 à 12:53  pour ajouter la référence au document de l'UNESCO


lundi 18 décembre 2023

Le renouveau de la thérapie génique : des applications thérapeutiques - conférences

Soigner par les gènes, de la recherche au traitement

Conférences scientifiques Culture & Rencontre au collège de Saussure
en collaboration avec l'Université de Genève.

Comme chaque année lors de ces conférences,  des chercheur-e-s éclairent une facette de leurs travaux qui interpelle les citoyens, et les présentent à un large public.
Cette année, c
inq chercheuses et chercheurs de l'Université de Genève nous aideront à comprendre -dans un langage accessible- en quoi consiste la thérapie génique, comment peut-elle être utilisée dans les domaines de l'oncologie et de l'ophtalmologie, et quels problèmes éthiques elle soulève ?
Les conférences, d'une durée d'environ une heure, sont suivies d'une discussion avec le public.

« Soigner par les gènes, de la recherche au traitement  »



Depuis ses débuts assez décevants - entre autres parce qu'on avait pensé dans le cadre théorique de la génétique de Mendel (la présence d'un allèle dominant suffirait à obtenir le phénotype correspondant). Ce modèle est simpliste, et à éviter diront certains (Kampourakis, K.,2021) ici , d'autres le verront comme une étape importante - un concept-seuil difficile à franchir mais nécessaire pour une compréhension plus large (Meyer,Land& Baillie, 2010), puisqu'il aide notamment à distinguer génotype et phénotype. Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine : ici
Cependant ce modèle ne distingue pas la localisation d'un gène et de nombreux essais d'introduire le gène-medicament (on disait comme ça à l'époque), sans contrôler il s'insérait ont eu des effets imprévisibles et parfois néfastes.
Depuis quelques années, une meilleure compréhension de la structure du  génome avec le projet génome humain, des techniques de séquençage massivement améliorées et de nouvelles techniques pour modifier de manière précise la modification d'un ADN (CRISPR-Cas9 notamment) ont changé la donne Cf. p. ex. une news dans Nature de Naldini, L. (2015) "Gene therapy returns to centre stage"  Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine :  ici

JTS vous a sélectionné quelques exemples plus récents  :

L'anémie falciforme (drépanocytose) soignée par CRISPR,  et la bêta-thalassémie par ARN-interférant

Pour Kaiser, J. (2021a), dans une news de Science deux étapes ont été franchies : des guérisons sont possibles pour de nombreuses personnes nées avec la drépanocytose et la bêta-thalassémie (une autre maladie sanguine grave), et une première thérapie génique réussie avec édition du génome par CRISPR, un puissant outil créé il y a à peine 8 ans.  Et les deux traitements font partie d'une vague de stratégies génétiques sur le point d'élargir considérablement le nombre de personnes pouvant être libérées des deux maladies. Le seul remède actuel, une greffe de moelle osseuse, est risqué et les donneurs compatibles sont souvent rares. Traduction automatique modifiée de Kaiser, J. (2021a)Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine : ici

Une thérapie génique pour lutter contre le "mauvais" cholestérol

Kaiser, J. (2023a), dans une récente news de Science, décrit une recherche où CRISPR a permis une thérapie génique in-vivo pour lutter contre le mauvais cholestérol "Une technique permettant de réécrire avec précision le code génétique directement dans le corps a réduit les niveaux de « mauvais » cholestérol – peut-être à vie – chez trois personnes sujettes à des niveaux dangereusement élevés de graisse obstruant les artères. L'exploit reposait sur une infusion sanguine de ce qu'on appelle un  éditeur de base, [dérivé de CRISPR, mais plus précis cf. Cohen, J. (2017) ici] conçu pour désactiver une protéine hépatique, PCSK9, qui régule le cholestérol." Traduction automatique modifiée de Kaiser, J. (2023a )Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine ici

Une thérapie génique introduisant un gène d'algue permet à un aveugle de "voir" - un peu

Kaiser, J. (2021b) présentait dans Science  "Un aveugle qui a reçu un gène pour une protéine algale sensible à la lumière peut désormais voir et toucher des objets à l'aide de lunettes spéciales, rapportent aujourd'hui des chercheurs.
Ses gains de vision sont modestes : il ne peut pas voir les couleurs ni discerner les visages ou les lettres, mais il a été capable de saisir un calepin sur une table. […] C'est la première publication de l'utilisation d'une technologie relativement nouvelle appelée optogénétique pour traiter une maladie chez l'homme."  Traduction automatique modifiée de Kaiser, J. (2021b )Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine ici

La dystrophie de Duchenne soignée par thérapie génique ... quels risques ?

Selon une autre news de Kaiser, J. (2023b) dans Science  "Une thérapie génique contre la dystrophie musculaire est sur le point d'être approuvée, mais des problèmes de sécurité persistent
L'utilisation de virus présente des risques importants et, pour l'instant, empêche un retraitement si les bénéfices s'estompent "  Traduction automatique modifiée de Kaiser, J. (2023b )Jump-To-Science : donner envie d'accéder aux articles                plutot que vulgariser encourage le lecteur à aller vérifier dans l'article d'origine ici

Ces exemples vous donneront peut-être envie d'en savoir plus sur ces progrès, leurs applications médicales à l'UNIGE et les HUG, mais aussi une discussion des enjeux
Jump-To-Science : donner envie d'accéder aux articles              plutot que vulgariser encourage le lecteur à venir écouter ces conférences : 

Soigner par les gènes, de la recherche au traitement

Soigner par les gènes, de la recherche au traitement

Soigner par les gènes est aujourd'hui devenu une réalité.
Mais en quoi consiste la thérapie génique, comment peut-elle être utilisée dans les domaines de l'oncologie et de l'ophtalmologie, et quels problèmes éthiques soulève-t-elle ?
Cinq chercheuses et chercheurs de l'Université de Genève viendront aborder ce sujet très actuel dans un langage accessible.
Les conférences, d'une durée d'environ une heure, sont suivies d'une discussion avec le public.  Elles ont lieu à l'aula du collège de Saussure, Vieux-ch-Onex 9, 1213 Petit Lancy à 20h

N'hésitez pas à diffuser le Flyer joint - prêt à imprimer rectoverso


– Mercredi 17 janvier 2024 20h

GÉNÉTIQUE, HÉRÉDITÉ ET CIBLES THÉRAPEUTIQUES
Prof. Marc Abramowicz, Département de médecine génétique et développement, UNIGE et HUG

Certaines variations génétiques (mutations) peuvent altérer le fonctionnement de l'organisme. Ces altérations peuvent être transmises à la descendance si elles sont présentes dans les ovules ou les spermatozoïdes. En misant sur la correction de ces modifications génétiques, la médecine peut rétablir le bon fonctionnement. C'est le principe de la thérapie génique.


– Mercredi 24 janvier 2024 20h

LES MÉTHODES DE THÉRAPIE GÉNIQUE : DÉFIS ET PERSPECTIVES
Dre Maude Rolland, Département de pathologie et d'immunologie, UNIGE

En quelques décennies, la thérapie génique est passée du stade de promesse à celui de réalité salvatrice. La thérapie génique permet de traiter une maladie génétique à son niveau le plus fondamental : modifier de manière permanente le gène responsable de la maladie. Retour sur les différents outils et méthodes permettant la modification de l'ADN d'un individu, l'évolution de leur utilisation et leurs limites.


– Mercredi 31 janvier 2024 20h

CIBLER L'ŒIL POUR LA THÉRAPIE GÉNIQUE NON-VIRALE
Prof. Gabriele Thumann, cheffe du Service d'ophtalmologie, HUG et UNIGE

Cette conférence présentera les thérapies géniques non-virales utilisées en ophtalmologie : quelles maladies peuvent être traitées aujourd'hui, quelles approches sont en évaluation clinique et quels sont les derniers développements scientifiques. Plus important, la prof. Gabriele Thumann abordera les approches de thérapie génique personnalisées pour traiter les différentes formes et stades de dégénérescence maculaire liée à l'âge qu'elle développe actuellement à Genève avec son groupe de recherche.


– Mercredi 7 février 2024 20h

PLACE DE LA THÉRAPIE CELLULAIRE ET GÉNIQUE DANS LE TRAITEMENT DES CANCERS
Prof. Denis Migliorini, responsable de l'unité de neuro-oncologie, HUG et UNIGE

Des avancées sans précédent ont eu lieu ces dernières années grâce à l'immunothérapie du cancer. Les thérapies cellulaires dites CAR-T cells se basent sur une technologie utilisant l'ingénierie des lymphocytes - cellules tueuses du système immunitaire. Cette présentation décrira comment nous pouvons reprogrammer ces lymphocytes en les dotant de récepteurs qui leur permettront de patrouiller le corps à la recherche de cellules cancéreuses, et d'exercer une veille immunitaire des années durant. Ces traitements ont permis une révolution thérapeutique en oncologie.


– Mercredi 14 février 2024 20h

LES ENJEUX ÉTHIQUES DES THÉRAPIES GÉNIQUES
Dre Céline Moret, Institut Ethique Histoire Humanités, UNIGE

Les thérapies géniques suscitent de grands espoirs dans le traitement des maladies génétiques mais soulèvent également des questions éthiques. Certaines d'entre elles sont communes à d'autres approches médicales, tels le consentement des patients et l'accès équitable au traitement. D'autres en revanche s'avèrent inédites, comme la possibilité de modifier l'ADN des cellules germinales d'une personne et de rendre ainsi cette modification transmissible à ses descendants. Cette présentation a pour objectif de faire un tour d'horizon des différents enjeux éthiques des thérapies géniques


Voir aussi

  • l' émission de la RTS : La médecine du futur dans l'ADN sur le .play de la RTS

Références

--