Une étude du Laboratoire Cold Spring Harbor (États-Unis), publiée dans la revue Science Advances, suggère que le système immunitaire réalise une sélection négative par le biais d’un processus de généralisation biologique, un mécanisme qui lui permet de distinguer et d’éliminer les cellules potentiellement nuisibles.
Dans le thymus, les cellules T du système immunitaire s’entraînent pour éviter d’attaquer les tissus sains au moyen d’un processus appelé sélection négative. Là, on vérifie si les cellules T se lient à des fragments des propres protéines du corps, appelés auto‑péptides. Celles qui le font sont éliminées immédiatement. Toutefois, chaque cellule T ne rencontre qu’une faible fraction de l’immense quantité d’auto‑péptides qui abondent dans tout l’organisme. Par conséquent, les chercheurs se sont demandé comment le système immunitaire apprend à tolérer le reste.
« Cela a été une énigme en immunologie depuis longtemps. La sélection négative est un processus crucial, mais si les cellules T devaient analyser chacun des péptides du corps, cela prendrait une éternité. Alors, comment apprennent-elles à éviter les dommages collatéraux ? Nous pensons que cela se fait par un processus appelé généralisation », a expliqué Hannah Meyer, professeure adjoint au Laboratoire Cold Spring Harbor.
De son côté, Saket Navlakha, professeur associé du laboratoire, a indiqué que l’apprentissage automatique est constamment confronté au problème de la généralisation. Par exemple, pour créer un modèle capable de détecter des chiens, il n’est pas nécessaire de l’entraîner avec toutes les images de chiens disponibles sur le web. « L’apprentissage automatique nous indique que la généralisation est possible, mais uniquement sous certaines conditions. Ce n’est pas de la magie noire. Essayons donc d’analyser cette question immunologique sous cet angle« , a-t-il ajouté.
Meyer, Navlakha et leur équipe ont découvert que le système immunitaire remplit deux conditions clés nécessaires pour apprendre par généralisation. Premièrement, l’abondance des péptides propres dans le thymus reflète fidèlement leur abondance dans les tissus de l’ensemble du corps. En termes d’apprentissage automatique, les données d’entraînement ressemblent aux données de test. Deuxièmement, les récepteurs des cellules T présentent une réactivité croisée, ce qui signifie qu’un seul récepteur peut reconnaître plusieurs péptides similaires, ce qui permet à la cellule T d’apprendre sur des péptides avec lesquels elle n’entre jamais en contact directement.
L’étude démontre que, grâce à ce processus, 90 pour cent des cellules T autoréactives peuvent être éliminées correctement dans le thymus, même si chacune n’entre en contact qu’avec 10 pour cent des péptides propres à l’organisme. Par conséquent, la recherche de l’équipe suggère que le système immunitaire parvient à la prouesse de la sélection négative par une sorte de généralisation biologique.
Pour approfondir leurs résultats, l’équipe s’est demandée si les échecs de ce processus de généralisation pourraient aider à expliquer l’auto-immunité, un trouble où le système immunitaire attaque par erreur les tissus sains. Étonnamment, le modèle d’IA de l’équipe reproduisait avec précision les caractéristiques du syndrome polyglandulaire auto-immun de type 1, une maladie auto-immune peu courante.
« À cette ligne de recherche, nous la nommons InmunoIA. Nous ne cherchons pas à créer une IA inspirée du système immunitaire, mais à étudier comment celui-ci résout des problèmes fondamentaux de l’apprentissage automatique. Lorsque nous commencerons à envisager le système immunitaire comme un type différent d’IA, nous pourrions découvrir des choses surprenantes sur la santé et les maladies humaines », a conclu Navlakha.
