Colloque HerbiPro : deux visions croisées de l’IA au service de l’agriculture

« Cette nouvelle approche s’appelle CropKey, explique Mélanie Héroult, responsable du programme herbicides. Elle repose sur la biologie moléculaire, la modélisation et l’intelligence artificielle. L’objectif est d’identifier une protéine essentielle au bioagresseur — la serrure —, la modéliser, puis concevoir une molécule capable de s’y fixer — la clé. »

Jusqu’ici, prédire la structure 3D d’une protéine à partir de sa séquence génétique relevait du défi. Aujourd’hui, avec AlphaFold, un logiciel développé par Google DeepMind, cette étape prend quelques heures. « C’est une révolution », affirme Mélanie Héroult.

Une fois la cible identifiée, les chimistes explorent des bibliothèques de structures virtuelles. « Cet espace virtuel représente une véritable source d’innovation avec 10⁶⁰ options pour concevoir de nouvelles molécules », révèle la chercheuse. L’IA joue ici le rôle d’un bibliothécaire. « C’est elle qui va chercher les molécules qui s’ajustent à la protéine, comme dans un jeu de Lego », décrit Mélanie Héroult.

Le design de la molécule s’affine ensuite sur écran : ajouter un atome, retirer une fonction, modifier une chaîne latérale… 

« Dès la phase de conception, nous intégrons des critères écotoxicologiques, indique-t-elle. Ce travail en amont réduit le risque d’échec. Il ouvre également la voie à des solutions adaptées aux résistances. Nous modélisons les protéines sensibles et résistantes. Ainsi, nous concevons des molécules capables de contourner les résistances aux herbicides. »  

En cinq ans, trente nouvelles molécules cibles ont été identifiées. Les premières pourraient arriver sur le marché après 2030.

Si avec l’IA la modélisation s’accélère, les essais terrain, eux, conservent leur rythme. Mais là encore, l’IA n’a pas dit son dernier mot. Toutefois, lors de ces étapes, l’IA permet de mieux combiner la compréhension mécanistique et la science des données. Par exemple, elle aide à prédire l’activité biologique des bioagresseurs et à modéliser le fonctionnement des plantes. 

Dans les serres, l’IA recueille et analyse les données. Le futur proche est de relier les observations en milieu contrôlé et au champ afin d’évaluer les molécules dans les meilleures conditions.  

Pour autant, la recherche reste en phase de transition. Un pathogène peut contenir entre 10 000 et 25 000 protéines. Seules quelques milliers d’entre elles présentent un intérêt. « Il faut encore progresser dans le séquençage des génomes des pathogènes et des végétaux pour disposer de plus de connaissance sur les cibles », assure Mélanie Héroult.

L’intelligence artificielle n’en est pas à ses débuts. Lors du colloque HerbiPro, Mehdi Siné, directeur de l’Acta a d’ailleurs rappelé qu’elle émerge dans les années 1940 avec les travaux d’Alan Turing. Dès 1956, le principe de neurones artificiels et le terme d’intelligence artificielle sont posés. « La même année que la fondation de l’Acta », glisse-t-il. Le vrai tournant arrive dans les années 2000 avec le « machine » et le « deep learning ». « Dès lors, l’IA apprend à reconnaître des objets dans des images et commence à faire mieux que les humains dans plusieurs domaines », précise-t-il.

L’agriculture suit le mouvement. Depuis des années, l’IA soutient les choix techniques via les Outils d’aide à la décision (OAD) comme Farmstar. De plus en plus d’OAD stratégiques et de jumeaux numériques apparaissent, permettant de réaliser des simulations complexes .On la retrouve également dans les agroéquipements, dans l’analyse des sols, la détection des bioagresseurs. Elle sert aussi en recherche variétale dans le cadre du phénotypage à haut débit où des capteurs scannent les parcelles avec un niveau de résolution très élevé. Les algorithmes analysent plus vite, plus finement que l’œil humain. « Depuis le milieu des années 2010, certaines tâches sont mieux faites par la machine, observe l’expert. Et surtout, elle travaille 24 h/24. »