Orateur
Description
Les modèles d’apprentissage profond en génomique ont fortement progressé : à partir de la séquence d’ADN, ils prédisent des cartes d’activité chromatinienne (marques d’histones, accessibilité) et l’expression les gènes. Reste toutefois une question centrale : comment ces modèles articulent‐ils les différentes sorties, et que se passerait‑il si l’on modifiait localement un signal ?
Nous présentons Back‑Forward Propagation (BFP), une approche d’intervention virtuelle à l’intérieur du réseau. Concrètement, BFP applique au niveau d’un locus une perturbation contrôlée d’une représentation interne afin d’augmenter ou diminuer un signal épigénétique ciblé, puis propage cette modification à travers le modèle pour mesurer les réponses coordonnées sur l’ensemble des sorties. Cette procédure permet de caractériser où et comment l’effet se diffuse : demeure‑t‑il local, s’étend‑il à des régions voisines, couple‑t‑il d’autres marques ou l’expression de gènes ?
Avec BFP, nous retrouvons des principes établis (p. ex. l’antagonisme entre marques activatrices et répressives), nous rejouons in silico des perturbations expérimentales publiées (répression d’enhancer, déplétion de CTCF) et nous quantifions des effets à distance cohérents avec l’organisation 3D du génome. BFP n’informe pas sur une causalité biochimique stricte ; il rend explicite la logique interne apprise par les modèles séquence‑vers‑fonction et fournit des hypothèses testables pour explorer les dépendances régulatrices au laboratoire.