Et si Généthon disposait d’un banc d’essai ouvert pour explorer la phénylcétonurie ?

Par Soufiane Lemqari, fondateur de GenerativSchool — 16 octobre 2026

Pour les personnes atteintes de phénylcétonurie, la transformation d’un acide aminé ordinaire devient un enjeu de santé. La phénylalanine, apportée par l’alimentation, peut s’accumuler lorsque l’organisme ne la transforme pas suffisamment. Sans prise en charge, cette accumulation peut notamment endommager le cerveau. La maladie impose une prise en charge adaptée à chaque personne. Source : National Library of Medicine, phénylcétonurie.

Pour la recherche, une question se pose en amont de toute promesse thérapeutique : dans quelles conditions une forme altérée de l’enzyme PAH conserve-t-elle ou retrouve-t-elle une activité mesurable ? Pour préparer une expérience, il faut savoir quelles observations comparer, quelles hypothèses méritent une vérification et quelles nouvelles données rendraient cette vérification convaincante.

GenerativSchool, laboratoire indépendant d’expérimentation IA que j’ai fondé, a construit un premier framework — un ensemble de données, de règles et de logiciels réutilisables — pour travailler sur cette question. Le prototype rassemble 14 observations publiées sur sept variants de PAH, leurs sources et leurs limites. Il produit des prédictions que l’on peut inspecter, un rapport recalculable et une fiche consacrée au variant Ala342Pro pour préparer une nouvelle collecte. L’évaluation informatique a été exécutée ; la validation biologique est proposée, pas réalisée.

La valeur recherchée est celle d’un point de départ que d’autres équipes puissent comprendre, contester et étendre. Aucun gain de temps n’a été mesuré, aucun bénéfice clinique démontré. Le parcours complet est expliqué dans le tutoriel associé, avec les commandes du paquet et les sorties à examiner.

Généthon est un laboratoire à but non lucratif créé en 1990 par l’AFM-Téléthon, engagé dans le développement de thérapies géniques pour des maladies rares. Présentation institutionnelle de Généthon. Le titre propose un scénario hypothétique : ce que pourrait apporter une telle base à une équipe de recherche. Il ne décrit ni une commande, ni une utilisation réelle, ni un partenariat avec Généthon. La phénylcétonurie ne figure pas dans le pipeline public consulté le 16 octobre 2026 ; cela ne renseigne pas sur d’éventuels travaux non publics. Aucun programme PKU ne lui est attribué ici.

Comprendre ce que l’on veut mesurer

PAH signifie phénylalanine hydroxylase. Cette enzyme transforme la phénylalanine en tyrosine avec l’aide d’un cofacteur, la tétrahydrobioptérine, ou BH4. Des variants du gène PAH peuvent réduire l’activité de l’enzyme et provoquer une accumulation de phénylalanine. « Variant » désigne ici une modification de la séquence ; Ala342Pro indique le remplacement de l’alanine par une proline à la position 342 de la protéine. Source : National Library of Medicine, gène PAH.

Trois questions doivent rester distinctes dans un projet de recherche :

L’activité enzymatique renseigne sur une transformation chimique. La quantité de protéine présente dans une cellule est un autre objet de mesure. Une hausse d’abondance ne suffit donc pas à établir un gain d’activité. De même, une amélioration dans une préparation de laboratoire ne permet pas de conclure à une amélioration de la santé d’une personne.

Cette distinction commande le choix des données : le prototype conserve un seul type de mesure fonctionnelle, dans un système clairement identifié. Il évite ainsi de construire un score à partir de chiffres qui répondraient à des questions différentes.

Le point de départ : une observation publiée, avec son contexte

Le jeu admis provient de l’étude de Pecimonova et ses collègues publiée en 2019. Les auteurs y étudient notamment sept variants de PAH humaine produits dans la bactérie Escherichia coli, sous forme d’une protéine de fusion MBP-PAH ensuite purifiée. Deux conditions sont comparées : avec ou sans co-expression de GroEL/ES, des chaperons bactériens impliqués dans le repliement des protéines. La co-expression signifie ici que ces protéines sont produites dans le même système. Ce n’est pas une administration de traitement à un patient. Pecimonova et al., méthodes 2.3–2.4 et tableau 3.

Le dosage porte sur la tyrosine produite. Les résultats sont exprimés en pourcentage de l’activité de la référence WT, pour wild type, la forme de référence non mutée. Une valeur de 9,9 %WT signifie 9,9 % de cette activité de référence dans les conditions du dosage. Elle ne signifie ni 9,9 % de patients améliorés, ni 9,9 % de chances de succès thérapeutique.

Voici l’observation qui sert de fil conducteur au dossier :

Source : Pecimonova et al., tableau 3 et section 3.3. Les mesures sont celles des auteurs de l’étude, pas de GenerativSchool.

Le zéro demande une lecture précise : l’activité n’a pas été détectée, mais la limite de détection n’est pas chiffrée. Il ne prouve pas que l’activité biologique est exactement nulle. Pour ce calcul descriptif, le logiciel utilise le zéro publié comme valeur numérique, sans modèle de censure ; l’activité réelle sous le seuil de détection reste inconnue. L’étiquette de non-détection est conservée, mais elle ne modifie pas le calcul des différences ni l’utilisation du témoin comme covariable.

Deux autres limites interviennent dès la comparaison. D’abord, la normalisation par le WT selon les conditions laisse une ambiguïté sur le dénominateur : on ne suppose pas qu’il constitue une échelle absolue parfaitement commune. Ensuite, les auteurs recueillent les fractions tétramériques, constituées d’assemblages de quatre sous-unités, lorsqu’elles sont présentes ; sinon, ils recueillent un mélange d’autres formes. La composition de la préparation peut donc changer. Attribuer toute la différence à la seule co-expression serait trop rapide. Méthodes 2.3–2.4 de l’étude.

Le framework calcule une différence arithmétique de 9,9 points WT, à partir des deux valeurs rapportées. « Points » désigne une soustraction de pourcentages ; ce n’est pas une hausse relative de 9,9 %. Une hausse relative par rapport à zéro ne serait d’ailleurs pas définie. L’activité finale de 9,9 %WT reste conservée à côté de la différence pour éviter qu’un seul score efface le niveau effectivement mesuré.

Construire une base que l’on peut vérifier

La première étape consiste à préserver la publication, pas seulement son tableau. Le paquet inclut la copie XML de l’article, les localisations des mesures, les données extraites, une notice d’attribution et les empreintes numériques des fichiers. Le lecteur peut remonter d’un résultat à la ligne qui l’alimente et à sa source. Documentation de provenance.

Une observation associe une source, un variant, une référence protéique, un système expérimental, une intervention et un objet mesuré. L’activité et son écart-type sont distincts de la proportion de tétramères dans la préparation. Une cellule vide reste inconnue ; elle ne devient pas zéro. Les références de protéine et de transcript sont versionnées, sans conversion silencieuse vers une autre séquence.

Une paire relie ensuite les deux conditions d’un même variant dans ce contexte. Les 14 observations donnent ainsi sept paires, pas 14 exemples indépendants pour entraîner un modèle de réponse. Le nombre de dosages publié est également conservé : trois purifications et neuf dosages au total par condition. On ne les transforme pas en neuf réplicats biologiques indépendants, et on ne fabrique pas de données brutes à partir des moyennes et des écarts-types. Contrat et architecture du paquet.

Le logiciel organise ce chemin en quatre parties. Un module central lit et contrôle les données, forme les paires et calcule les modèles. Une interface en ligne de commande orchestre les étapes. Un dossier embarqué contient les sources, données, configurations et résultats de référence. Enfin, des tests vérifient notamment les doublons, les paires incomplètes, les unités et la séparation entre apprentissage et évaluation.

Cette architecture sert une décision scientifique : savoir si deux observations sont comparables avant de demander à un modèle de les relier. L’audit refuse une entrée incompatible ou altérée et conserve la cause du rejet. Il ne retire pas discrètement une ligne gênante pour poursuivre le calcul.

Le chemin d’utilisation est le suivant :

Source documentée → observations contrôlées → paires comparables → prédictions hors apprentissage → rapport → question de collecte.

La dernière flèche produit une proposition d’expérience. Elle ne transforme pas automatiquement une prédiction en résultat biologique.

Ce que l’évaluation informatique a réellement testé

La cible du calcul est la différence entre activité avec et sans GroEL/ES, en points WT. Trois approches ont été exécutées :

• Zéro effet prédit une différence de zéro pour chaque variant. C’est une référence simple à dépasser.
• Moyenne d’apprentissage prédit la moyenne des différences observées pour les six autres variants.
• Régression ridge, α = 1, ajuste une relation linéaire régularisée entre l’activité témoin et la différence attendue. Elle utilise l’activité témoin divisée par 100 ; le paramètre de régularisation est fixé, sans recherche du meilleur réglage.

La ridge a donc besoin d’une mesure préalable d’activité sans intervention. Elle ne prédit pas une réponse à partir de la seule séquence de PAH. Sa pente, son intercept et les moyennes utilisées sont enregistrés pour chaque ajustement. Description des modèles exécutés.

L’évaluation suit une procédure leave-one-variant-out : on réserve un variant entier, on ajuste sur les six autres, puis on prédit la différence du variant réservé. L’opération est répétée sept fois. Les deux observations du variant réservé restent ensemble hors des données d’ajustement. Cette précaution évite qu’une condition de ce même variant renseigne indirectement l’entraînement sur sa réponse.

Dans chaque pli, le modèle peut utiliser l’activité témoin du variant à prédire, puisque cette covariable est supposée connue avant l’intervention. Il ne doit pas utiliser sa différence observée pour ajuster ses paramètres. Un test du paquet vérifie que changer cette cible réservée ne change pas sa prédiction. Cela contrôle une propriété logicielle ; cela n’établit pas la capacité du modèle à généraliser à une autre étude.

Le résultat principal utilise les valeurs du tableau 3 de la publication. La MAE est la moyenne des erreurs absolues : l’écart, sans tenir compte de son signe, entre chaque différence prédite et la différence calculée à partir des moyennes publiées. Plus elle est faible, moins les prédictions s’écartent de ces valeurs.

Source : rapport de calcul du paquet. Les six décimales facilitent la comparaison entre exécutions ; elles n’expriment pas une précision biologique à six décimales.

La ridge n’améliore pas les deux références dans ce pilote. Aucun modèle n’a été sélectionné. Le résultat zéro effet est le moins erroné parmi ces trois calculs, mais sept cas d’une même publication ne suffisent pas à en faire une règle pour d’autres variants ou interventions. Il ne s’agit pas non plus d’une preuve que l’IA ne pourrait pas aider : une seule covariable et sept paires testent une question très limitée.

Pour évaluer une méthode plus ambitieuse, il faudrait davantage de données fonctionnelles comparables, des contextes et des références de séquence documentés, des études indépendantes et une évaluation définie avant le choix du modèle. Il faudrait aussi pouvoir distinguer la variabilité expérimentale d’un signal prédictif. Répéter des ajustements sur les mêmes sept paires ne crée pas cette information.

Les modèles de protéines de la famille ESM restent une piste. Aucun modèle ESM n’a été téléchargé, installé ou exécuté dans ce projet, et aucune représentation de séquence issue d’ESM n’est admise dans le calcul. Une future utilisation demanderait notamment une référence PAH vérifiée, une version immuable du modèle, les empreintes et licences des poids, ainsi qu’un examen du risque de présence de PAH dans les données de préentraînement. État et conditions de cette piste.

Garder visible une contradiction de la source

Pour Ile406Met sans GroEL/ES, le tableau 3 rapporte 83,3 ± 17,5 %WT, alors que la section 3.3 indique 84,6 ± 48,4 %WT. L’activité avec GroEL/ES reste 76,7 ± 14,5 %WT. Le prototype conserve donc deux scénarios au lieu de choisir silencieusement une correction. La différence vaut −6,6 points dans le scénario du tableau et −7,9 dans celui du texte. Publication, tableau 3 et section 3.3.

Ces calculs de sensibilité sont présents dans le même rapport. Le constat sur la ridge reste inchangé. Les différences négatives sont conservées, car un résultat défavorable fait partie des observations à expliquer.

Les écarts-types publiés ne suffisent pas à calculer l’incertitude de la différence sans connaître la covariance entre les mesures. Le rapport laisse donc cette incertitude inconnue. Il ne produit aucun intervalle calibré et ne permet aucune généralisation clinique à partir de ces sept agrégats.

D’Ala342Pro à une question que l’on pourrait réfuter

La fiche exportée prend Ala342Pro comme exemple parce que son contraste est traçable. Il ne s’agit pas du gagnant d’un classement automatique. La question proposée est : le contraste d’activité publié avec et sans GroEL/ES est-il reproductible dans le même système bactérien ? Fiche de conception exportée.

Cette question peut échouer. Une nouvelle collecte pourrait ne pas retrouver le contraste avec la précision définie à l’avance. Les contrôles analytiques pourraient échouer. Une différence de dénominateur WT ou de fraction purifiée pourrait empêcher d’attribuer l’écart à la co-expression. Ces issues doivent rester possibles ; autrement, on ne vérifierait pas l’hypothèse.

La fiche traduit ces limites en besoins de données : conserver les mesures brutes par purification et par dosage, identifier les lots, décrire les fractions recueillies, documenter les limites de détection et le dénominateur WT. Elle prévoit au niveau de la conception des contrôles WT et variant, avec et sans co-expression, ainsi que des blancs analytiques. L’équipe scientifique aurait à définir avant l’expérience la précision visée, l’effectif, le seuil de pertinence et l’analyse ; un ordre randomisé et une analyse masquée seraient à envisager si faisables.

Ce plan n’a pas été exécuté. La commande qui l’exporte a bien fonctionné ; elle a produit un document, pas une expérience. La génération de cette fiche ne constitue ni une validation biologique ni une recommandation thérapeutique.

C’est à ce niveau que le framework peut être réutilisé : il rend explicite ce qui manque pour passer d’un chiffre intéressant à une comparaison interprétable. Une équipe peut modifier la question, contester la comparabilité ou renoncer à la collecte si les conditions ne permettent pas de conclure.

Reprendre le travail et préparer une autre étude

Le tutoriel part du paquet autonome pku-v1.0.1/. Il explique l’installation locale, l’admission des données, l’audit, l’évaluation, la comparaison au résultat de référence, l’export de la fiche et la restauration d’une exécution. Les sources nécessaires sont incluses ; le parcours ne dépend pas du dossier de recherche historique.

Le parcours a été exécuté localement : les calculs concordent avec le pilote de référence, la restauration reproduit le rapport et une entrée altérée est rejetée. Le tutoriel détaille ces contrôles informatiques, qui ne constituent pas une validation biologique.

Le mot « extensible » demande lui aussi une définition précise. L’adaptateur actuel n’admet que l’étude D01 décrite ici. Déposer un nouveau CSV à sa place est refusé. Une nouvelle étude demande une nouvelle version du contrat et un adaptateur spécifique, testés et relus. Le guide d’extension détaille ce travail.

Il faut d’abord établir la provenance et les droits, puis décrire le système, les unités, la normalisation et l’objet mesuré. Une mesure d’abondance dans une cellule humaine ne devient pas une mesure d’activité dans une préparation bactérienne parce que le nom du variant est identique. Il faut également repérer les mesures recopiées entre publications pour ne pas compter deux fois la même expérience.

La première extension devrait être évaluée séparément par étude et par contexte. Un futur regroupement demanderait de réserver chaque variant entier dans tous les contextes concernés, puis de tester la méthode sur une étude externe. Les règles d’évaluation doivent précéder la comparaison des scores. L’ouverture utile est ici la possibilité de relire et de faire évoluer ces règles avec des preuves, pas la promesse d’un import universel déjà disponible.

Un prototype ouvert, à la portée délimitée

Le statut proposé est prototype : évaluation informatique bornée exécutée, validation biologique proposée. Le code original et ses tests sont sous licence MIT, copyright 2026 Soufiane Lemqari. Cette licence ne couvre ni l’article, ni le tutoriel éditorial, ni la documentation technique originale : aucune licence de réutilisation de ces textes n’est accordée dans ce lot. La publication scientifique et les données adaptées conservent leurs droits séparés : la copie de l’étude et l’adaptation du tableau sont sous CC BY 4.0 avec attribution à Pecimonova et ses collègues. La licence du code ne transforme pas les sources en données sans conditions de réutilisation. Provenance et droits du paquet.

Le calcul utilise le processeur local, sans poids de modèle externe ni service cloud. Les journaux mesurent des durées et la mémoire du processus ; ils ne mesurent pas le coût complet du projet. Le coût réel total est inconnu. Aucune économie de temps ni efficacité clinique n’est déduite de cette exécution.

Pour une équipe qui voudrait préparer des recherches sur PAH, le livrable est concret : une source vérifiable, des observations dont les ambiguïtés restent visibles, des prédictions inspectables et une proposition de collecte qui peut être mise en défaut. La prochaine avancée à rechercher serait une comparaison indépendante suffisamment documentée pour apprendre quelque chose de nouveau sur l’activité enzymatique. Elle reste à réaliser.