JEPA-Anything : une piste préclinique contre le cancer du foie

SSacha

D’après MarkTechPost, des chercheurs de PhAI Labs et de plusieurs universités présentent JEPA-Anything comme un cadre commun pour apprendre à prédire l’évolution de systèmes très différents. Le problème de départ, c’est que les modèles sont souvent adaptés à un domaine particulier, alors qu’une même idée pourrait peut-être servir dans plusieurs disciplines. Les architectures JEPA ne cherchent pas à reconstruire chaque détail brut, comme tous les pixels d’une image ; elles prédisent plutôt une représentation abstraite d’un état manquant ou futur. Imaginez une partie dont on voudrait anticiper la suite : il n’est pas toujours utile de redessiner chaque élément, si l’on peut prévoir les changements importants dans la situation. JEPA-Anything a été évalué dans 7 domaines, dont la vision, la biologie, les trajectoires cliniques, le contrôle, la dynamique moléculaire, les champs physiques et la météo. Cela ne signifie pas qu’un seul modèle comprend déjà tous ces sujets comme un spécialiste humain. L’ambition est plutôt de partager une recette d’apprentissage, tout en adaptant les données et leur préparation à chaque domaine. La question est donc de savoir si ce principe commun apporte un avantage mesurable sur des tâches précises, et si cet avantage persiste lorsqu’on change de système.

SSacha

La méthode s’appelle Orthogonal Predictive Factorization, que l’on peut abréger en OPF. Dans la plupart des expériences, elle partage la représentation interne en 4 sous-espaces appris, et chacun reçoit son propre prédicteur. On peut se représenter plusieurs équipes qui observent le même phénomène avec des angles différents, puis réunissent leurs prévisions pour obtenir une image complète ; les rôles de ces équipes ne sont toutefois pas fixés d’avance. La méthode cherche à différencier les composantes apprises et à limiter leur chevauchement, mais cela ne prouve pas qu’elles correspondent à des mécanismes réels distincts. Les chercheurs ont comparé leur cadre à des JEPA de référence appariés, avec des architectures et des conditions d’évaluation comparables. Ils rapportent de meilleurs résultats sur les 10 tâches de dynamique évaluées. Dans Interventional Pong, l’erreur pour une intervention simple baisse de 34,83 %, et celle de combinaisons d’interventions jamais vues à l’entraînement diminue de 13 %. Sur APEBench Burgers, l’erreur de prédiction à 6 étapes baisse d’environ 44,7 %. En dynamique moléculaire, les auteurs rapportent aussi les meilleurs résultats jusqu’à 100 étapes de prédiction. Ces scores concernent des tests délimités : ils ne garantissent pas les mêmes gains dans chaque domaine ni dans des conditions réelles.

SSacha

Brief IA décrit le candidat le plus prometteur comme une association d’IL-18 et d’inhibition de CD73. L’IL-18 stimulerait l’activité de cellules immunitaires, tandis que le blocage de CD73 viserait une enzyme liée à la réponse immunitaire à proximité des tumeurs. L’équipe a évalué cette combinaison sur des cellules tumorales cultivées avec des cellules immunitaires, sur des organoïdes, sur des tissus tumoraux provenant de 3 patients et chez la souris. Dans les organoïdes et les tissus étudiés, l’association aurait détruit davantage de cellules tumorales que chacun de ses composants pris séparément. Les chercheurs auraient également observé une activation accrue des cellules T et des cellules tueuses naturelles. Alors, il faut bien distinguer ce résultat expérimental d’une démonstration médicale : les observations concernent les modèles et les échantillons testés. Elles ne permettent pas de conclure que la combinaison fonctionnerait chez des patients. La démarche montre plutôt comment un modèle peut contribuer à faire émerger une hypothèse à examiner. Pour l’instant, la piste reste préclinique, et les éléments disponibles ne permettent pas d’évaluer une éventuelle efficacité thérapeutique chez l’humain.

SSacha

Pour les équipes de recherche, l’intérêt immédiat est d’avoir un cadre testé sur plusieurs types de données, et des modèles que les auteurs rendent accessibles publiquement avec leur code. Cela permet à d’autres scientifiques d’examiner les méthodes et les résultats, sans garantir que des évaluations indépendantes les confirmeront. Dans les tâches de lecture de données biologiques, les auteurs rapportent un score de regroupement de cellules PBMC de 0,7752, contre 0,7194 pour Cell-JEPA. Ce score évalue la manière dont les données de cellules sont regroupées ; il ne constitue pas un diagnostic médical ni une mesure de l’efficacité d’un traitement. Pour la prévision d’événements cliniques sur UK Biobank, le score moyen rapporté est de 0,718, contre 0,711 pour le JEPA de référence. Là encore, il s’agit d’une comparaison sur une tâche définie, et non d’une preuve que le modèle pourrait prédire le parcours d’un patient donné. Ces écarts donnent des indications sur les performances dans des évaluations précises, mais ils ne suffisent pas à démontrer une supériorité générale en biologie ou en médecine. Le code public est donc une possibilité de vérification et de travail complémentaire, pas une validation automatique des conclusions. Les scientifiques intéressés peuvent ainsi examiner le cadre et tester ses résultats dans d’autres conditions.

SSacha

The Decoder indique que l’avantage observé sur l’équation de Burgers se réduit à environ 3 % après 50 étapes de prédiction. L’équation sert à évaluer des phénomènes physiques, mais ce résultat ne résume pas à lui seul les performances de JEPA-Anything dans tous les systèmes. Les résultats en robotique sont décrits comme mitigés, et les informations disponibles ne donnent pas tous les détails nécessaires pour analyser chaque expérience. Il y a aussi une limite plus fondamentale : séparer une représentation en composantes différentes peut aider à prédire, mais ne démontre pas que ces composantes révèlent de véritables relations de cause à effet. Une carte peut aider à anticiper un trajet sans expliquer toutes les raisons pour lesquelles la route change, et c’est un peu la différence entre prédiction et explication. Les auteurs envisagent à terme des agents d’intelligence artificielle qui proposeraient et classeraient des expériences, puis intégreraient leurs résultats. Mais la fiabilité du modèle pour guider ces choix reste à établir. Il faudrait notamment vérifier dans quelle mesure ses propositions conduisent à des expériences pertinentes et si les observations obtenues sont correctement interprétées. Pour le volet biomédical, les résultats précliniques ne permettent pas de conclure à un traitement efficace. La prudence porte donc à la fois sur la portée causale des représentations, sur les performances selon les tâches et sur l’usage futur du système en laboratoire.

SSacha

Il faut retenir que JEPA-Anything propose une organisation commune pour apprendre sur des systèmes différents, avec des résultats encourageants dans certaines évaluations, mais qui restent spécifiques à leurs tâches. Les auteurs envisagent que des agents puissent un jour proposer des expériences, les classer et intégrer les observations pour améliorer les modèles. Cette perspective est un objectif de recherche, pas une capacité déjà démontrée comme fiable. Brief IA évoque aussi une relation proche de la loi de Kepler que le modèle aurait retrouvée sans connaissance physique préalable, mais les éléments disponibles ne permettent pas d’évaluer cette affirmation. Et, pour le cancer du foie, l’association d’IL-18 et de l’inhibition de CD73 aurait produit des résultats favorables dans les organoïdes et les tissus étudiés, sans démontrer qu’elle puisse devenir un traitement. Le code et les modèles publics peuvent faciliter l’examen et la reproduction des travaux, mais ne remplacent pas des validations indépendantes. Le projet ouvre une piste intéressante pour la recherche, tout en laissant plusieurs questions essentielles sans réponse. C’est cette combinaison qu’il faut garder en tête : une méthode partagée et des résultats mesurés, accompagnés de limites importantes sur la causalité, la fiabilité et l’application médicale.