Une équipe de recherche dirigée depuis Singapore utilise l’IA pour s’attaquer à l’un des goulets d’étranglement les plus coûteux de l’assemblage génomique : corriger les lectures bruitées du séquençage nanopore sans perdre la véritable diversité génétique.
L’équipe a développé HERRO, un outil d’apprentissage profond conçu pour améliorer la précision des lectures Simplex d’Oxford Nanopore lors de l’assemblage des génomes. Dans une étude publiée dans Nature le 27 avril 2026, les chercheurs ont fait état de gains de précision des lectures allant jusqu’à 100 fois et d’assemblages de génomes de télomère à télomère à partir de lectures corrigées par HERRO.
Si ces résultats sont confirmés à plus grande échelle, HERRO pourrait réduire la dépendance des laboratoires aux workflows coûteux combinant des données nanopore avec d’autres technologies de séquençage. Pour les laboratoires de séquençage, l’avantage est concret : moins de plateformes, moins d’ADN génomique et des workflows simplifiés pour produire des assemblages complets.
Pourquoi l’assemblage des génomes nécessite encore plusieurs plateformes
L’équipe de recherche réunit des scientifiques du Genome Institute of Singapore d’A*STAR et d’Oxford Nanopore Technologies. Le projet illustre également les investissements de Singapore dans l’IA appliquée à la recherche en sciences de la vie.
L’assemblage des génomes implique depuis longtemps un compromis. Les lectures longues du séquençage nanopore peuvent couvrir des répétitions et des variants structuraux que les lectures courtes peinent à résoudre, mais elles présentent aussi des taux d’erreur plus élevés. De nombreux laboratoires compensent ce problème en combinant des lectures nanopore ultralongues avec des lectures longues très précises, comme les lectures HiFi de PacBio.
L’ article de Nature indique que les approches faisant appel à plusieurs plateformes peuvent augmenter les coûts, nécessiter davantage d’ADN génomique et alourdir le travail de préparation en laboratoire comme d’analyse des données. HERRO est conçu pour réduire cette charge en corrigeant les lectures Simplex d’Oxford Nanopore avant leur transmission aux assembleurs de génomes.
HERRO constitue ainsi un exemple ciblé d’IA appliquée : il nettoie des données scientifiques spécialisées afin que les outils en aval fonctionnent mieux. La même contrainte, centrée sur les données, se retrouve dans les projets d’IA d’entreprise, où les pipelines de données peuvent faire ou défaire les performances.
La correction effectuée par HERRO est difficile, car la véritable diversité génétique peut ressembler à du bruit. Son dépôt GitHub public présente HERRO comme un outil tenant compte des haplotypes pour corriger les lectures Nanopore R10.4.1 Kit 14, avec un modèle expérimental pour les données R9.4.1 et une longueur de lecture recommandée d’au moins 10 000 paires de bases.
Ce que montrent les benchmarks de HERRO
Lors des tests de l’étude, les lectures corrigées par HERRO utilisées avec l’assembleur Verkko ont atteint un NG50 de 146 Mb pour les deux haplotypes dans le jeu de données I002C, avec une couverture de correction de 71×. Avec une couverture de correction d’environ 35×, les valeurs de NG50 allaient d’environ 90 Mb à 130 Mb.
Pour les jeux de données ultralongs R10.4.1 d’Oxford Nanopore, plus de la moitié des 46 chromosomes ont été résolus sous forme de contigs ou de scaffolds allant de télomère à télomère. Les chercheurs ont également fait état d’exécutions au cours desquelles les chromosomes X et Y ont été assemblés d’une extrémité à l’autre.
Les premiers utilisateurs seront probablement les plateformes de séquençage, les programmes de génomique des populations, les équipes de génomique agricole, les projets sur la biodiversité et les groupes de recherche travaillant sur des génomes structurellement complexes. Le diagnostic clinique constitue un cas d’usage plus lointain ; l’article ne valide pas HERRO comme outil de diagnostic.
Les laboratoires indépendants devront encore reproduire ces résultats sur davantage d’organismes, avec différentes qualités d’échantillons, conditions de séquençage et modèles de coûts. La déclaration des intérêts concurrents de l’étude est également importante, car Oxford Nanopore Technologies et AI Singapore ont financé conjointement le projet.
Si HERRO confirme ses performances, il pourrait réduire les barrières infrastructurelles à la réalisation d’assemblages complets de génomes. Les travaux récents sur l’ infrastructure des agents d’IA et les plateformes de recherche par IA fondées sur des données propriétaires témoignent de la même évolution générale vers des systèmes d’IA spécialisés construits autour de la qualité et de la validation des données.
À lire aussi : Le nouvel agent d’IA de Microsoft apporte une automatisation « toujours active » à Microsoft 365, un autre exemple de l’IA qui s’intègre toujours davantage aux workflows opérationnels