L'un des premiers outils d'intelligence artificielle (IA) auquel vous pouvez penser est le grand modèle de langage (LMM) ChatGPT. Dans le monde entier, les chercheurs utilisent ChatGPT pour trouver des idées, écrire des codes, effectuer des analyses documentaires, éditer et rédiger des manuscrits et des subventions (Van Noorden et Perkel 2023). Toutefois, l'un des principaux problèmes liés à l'utilisation des LLM lors de recherches dans la littérature académique est celui des « hallucinations » : dans 30 à 50 % des cas, ChatGPT énonce de manière incorrecte des informations provenant d'une référence citée ou, pire encore, dans 30 à 50 % des cas, des études entières sont fabriquées (voir Emsley 2023). Au lieu de cela, les chercheurs devraient utiliser des outils d'IA spécifiques à la recherche conçus pour avoir moins d'hallucinations (mais pas encore zéro), tels que Sematic Scholar, Elicit, Scite, et Inciteful, et Citation Gecko qui fournissent de courts résumés et des cartes interactives d'articles pertinents connectés. Dans une perspective d'avenir, les développeurs d'IA cherchent à minimiser et idéalement à supprimer les hallucinations ainsi qu'à développer des LLM spécifiques à la recherche sur les plantes, tels que le PLLaMa récemment publié (Yang et al. 2024).

Au cours de la dernière décennie, les progrès réalisés dans le domaine de la vision artificielle ou informatique ont permis aux phytologues d'accélérer la vitesse du phénotypage des populations de plantes, qu'elles soient petites ou grandes, tout en augmentant la précision et en réduisant les coûts et les erreurs humaines. De l'échelle micro à l'échelle macro, certains exemples de CV dans la science des plantes comprennent la mesure des dimensions des cellules ligneuses, le comptage des stomates, la mesure de la surface des feuilles, la détection des signes de maladie des plantes, la classification de l'architecture des racines, l'identification taxonomique des espèces de plantes dans la nature, le calcul de la couverture de la canopée et la mesure de la hauteur des plantes dans un champ entier à l'aide de drones (examiné dans Mochida et al. 2019). L'un des principaux défis de la mise en œuvre de la CV, qui nécessite un grand ensemble de données d'images pour la formation, peut de plus en plus être surmonté grâce à l'utilisation d'ensembles de données d'images de plantes publiques en constante augmentation (examiné dans Mochida et al. 2019) ou en effectuant une amplification des données sur votre ensemble de données (Shoaib et al. 2023). À l'avenir, dans le sillage des LLM, de grands modèles de visions sont en cours de développement qui sont envisagés pour être en mesure d'effectuer n'importe quelle tâche de CV avec la nécessité d'une formation préalable (examiné dans Wang et al. 2023).

La modélisation prédictive est un autre outil d'IA puissant, dans lequel un modèle d'apprentissage automatique (ML) ou d'apprentissage profond (DL) formé peut être utilisé pour prédire un résultat biologique. Toujours du niveau micro au niveau macro, les modèles prédictifs ont été utilisés en science végétale pour prédire la fonction des gènes, le repliement des protéines, les interactions entre protéines, la localisation des protéines, l'activité des promoteurs, les niveaux de transcription et de métabolisme, les réponses à des maladies végétales spécifiques et à des stress abiotiques, et les performances de rendement des individus avant de les planter dans le champ (examiné dans Dijk et al. 2021 ; Cembrowska-Lech et al. 2023). Comme pour la CV, l'un des principaux défis de la mise en œuvre des modèles ML ou DL, à savoir la nécessité de disposer de grands ensembles de données de haute qualité, peut être surmonté en combinant les ensembles de données des collaborateurs pour créer un consortium (Sneller et al. 2021, revu dans Dijk et al. 2021). Au fil du temps, des modèles prédictifs plus avancés seront développés et seront mieux à même d'intégrer de multiples types de données provenant de différentes sources, d'espèces végétales et, idéalement, de différentes études (revu dans Dijk et al. 2021).

Références

Cembrowska-Lech D, Krzemińska A, Miller T, Nowakowska A, Adamski C, Radaczyńska M, Mikiciuk G, Mikiciuk M (2023) An Integrated Multi-Omics and Artificial Intelligence Framework for Advance Plant Phenotyping in Horticulture. Biology (Basel) 12:1298. https://doi.org/10.3390/biology12101298

Dijk ADJ van, Kootstra G, Kruijer W, Ridder D de (2021) Machine learning in plant science and plant breeding. iScience 24. https://doi.org/10.1016/j.isci.2020.101890

Emsley R (2023) ChatGPT: these are not hallucinations – they’re fabrications and falsifications. Schizophr 9:1–2. https://doi.org/10.1038/s41537-023-00379-4

Mochida K, Koda S, Inoue K, Hirayama T, Tanaka S, Nishii R, Melgani F (2019) Computer vision-based phenotyping for improvement of plant productivity: a machine learning perspective. GigaScience 8:giy153. https://doi.org/10.1093/gigascience/giy153

Shoaib M, Shah B, EI-Sappagh S, Ali A, Ullah A, Alenezi F, Gechev T, Hussain T, Ali F (2023) An advanced deep learning models-based plant disease detection: A review of recent research. Front Plant Sci 14. https://doi.org/10.3389/fpls.2023.1158933

Sneller C, Ignacio C, Ward B, Rutkoski J, Mohammadi M (2021) Using Genomic Selection to Leverage Resources among Breeding Programs: Consortium-Based Breeding. Agronomy 11:1555. https://doi.org/10.3390/agronomy11081555

Van Noorden R, Perkel JM (2023) AI and science: what 1,600 researchers think. Nature 621:672–675. https://doi.org/10.1038/d41586-023-02980-0

Wang J, Liu Z, Zhao L, Wu Z, Ma C, Yu S, Dai H, Yang Q, Liu Y, Zhang S, Shi E, Pan Y, Zhang T, Zhu D, Li X, Jiang X, Ge B, Yuan Y, Shen D, Liu T, Zhang S (2023) Review of large vision models and visual prompt engineering. Meta-Radiology 1:100047. https://doi.org/10.1016/j.metrad.2023.100047

Yang X, Gao J, Xue W, Alexandersson E (2024) PLLaMa: An Open-source Large Language Model for Plant Science. arXiv. https://doi.org/10.48550/arXiv.2401.01600