« J'ai toujours aimé résoudre les problèmes des autres »

Durant son doctorat, Simon F. Nørrelykke utilise la vidéomicroscopie pour suivre les infimes mouvements de minuscules billes attachées à des molécules d’ADN individuelles. Le défi d’écrire du code afin d’extraire des informations quantitatives, puis à recourir aux mathématiques et aux statistiques pour interpréter les données ainsi obtenues l’intéresse davantage que les images elles-mêmes. Ces méthodes appliquées à d’autres formes de microscopie au cours de ses différents postdoctorats, allait finalement façonner sa carrière. Formé aux mathématiques et à la physique, puis à la biophysique expérimentale des molécules individuelles durant son doctorat, le scientifique d'origine danoise a rejoint l’ETH Zurich en 2012, où il a dirigé pendant une dizaine d’années le groupe Image and Data Analysis du Centre scientifique de microscopie optique et électronique (ScopeM). Il traverse ensuite l’Atlantique en 2022 pour créer un groupe similaire à la Harvard Medical School avant de revenir ce printemps en Suisse pour prendre la direction du Center for Imaging de l’EPFL, qui s’occupe de l’analyse d’images de toutes les disciplines : de la biologie à l’architecture, en passant par la microtechnique, l’ingénierie civile ou encore les matériaux.

Son cheminement vers l’analyse d’images ne relève pourtant pas d’un plan de carrière soigneusement établi. Pendant son doctorat en biophysique expérimentale, il commence à programmer pour répondre aux besoins de ses propres recherches. Plus tard, durant ses postdocs à Florence Dresden, Princeton, confronté à des images de vidéomicroscopie que les logiciels disponibles ne lui permettent pas d’analyser comme ses recherches l’exigent, il écrit son propre code pour effectuer des simulations numériques et analyser des images de microscopie ainsi que des données de séries temporelles, d’une manière que les logiciels disponibles à l’époque ne permettaient pas. « Je ne me disais pas que je faisais de l’analyse d’images. J’avais simplement un problème à résoudre. », se souvient-il.

Construire des outils pour les autres

Cette manière d’aborder la science lui est restée. Simon Nørrelykke a davantage d’intérêt pour les méthodes permettant de résoudre un problème que pour l’approfondissement d’une seule question scientifique pendant toute une carrière. « De plus, même si ce n’est pas forcément le plus rentable dans le monde académique, plaisante-t-il, j’ai toujours aimé résoudre les problèmes des autres. Ce qui me satisfait est d’avoir un impact. Parfois nous rendons une recherche possible, parfois nous l’améliorons un peu, parfois beaucoup, et cela débouche sur une publication ou permet à une chercheuse ou un chercheur de franchir une étape décisive. »

Cette volonté de faire dialoguer les compétences ne s’est pas limitée aux projets de recherche. Elle l’a aussi conduit à fédérer celles et ceux qui, comme lui, travaillent à l’interface entre science et analyse d’images. À l’ETHZ, il a participé à la création de plusieurs réseaux et initiatives de bioanalyse d’images, dont NEUBIAS, SwissBIAS, ZIDAS et GloBIAS. « Avant cela, il n’y avait même pas précisément de nom pour notre activité. C’est la première fois que nous avons utilisé le terme “bioimage analyst”, en français analyste d’images biologiques. »

« Quelle est la question scientifique ? »

L’analyse d’images appliquée fait appel à des compétences dans de nombreux domaines – analyse d’images classique, apprentissage automatique et intelligence artificielle, statistiques et programmation – mais exige aussi de comprendre comment les images sont obtenues. « Il faut suffisamment bien connaître la technique d’imagerie utilisée, qu’il s’agisse d’un microscope, d’un système à rayons X ou d’un autre dispositif, pour savoir reconnaître quand on risque de mesurer un artefact plutôt qu’un phénomène réel, et parfois pour pouvoir proposer une meilleure façon d’acquérir les données », explique Simon F. Nørrelykke. « Il faut également savoir communiquer ». Travailler dans une plateforme d’analyse d’images exige de l’écoute et une capacité à entrer dans la logique scientifique de chaque projet. « L’équipe du centre, qui a été constitué avant mon arrivée, colle parfaitement à ce profil tout en possédant un niveau d’expertise incroyable. C’est un plaisir de travailler avec eux ».

Face à une nouvelle demande, l’équipe commence par poser une question d’une simplicité trompeuse : « Quelle est la question scientifique ? » Puis une deuxième : « Les images acquises permettent-elles réellement d’y répondre ? » Si ce n’est pas le cas, mieux vaut parfois retourner à l’expérience plutôt que de perfectionner l’analyse. Changer la résolution, utiliser un autre instrument, acquérir davantage d’images, voire reformuler la question. D’où l’intérêt de contacter les spécialistes du Center for Imaging suffisamment tôt. « Idéalement, les scientifiques viennent nous voir avant même d’acquérir leurs images, ou au moins avant d’avoir terminé leur acquisition. Sinon, pour paraphraser le statisticien Ronald Fisher, nous risquons de nous retrouver à pratiquer une autopsie pour leur expliquer de quoi leur expérience est morte. », sourit le scientifique.

Les problèmes qui nous arrivent sont les plus épineux. Quand on aime résoudre des problèmes, c’est plutôt une bonne nouvelle.

L’IA modifie les problèmes d’analyse d’images à traiter

L’adoption de l’apprentissage profond à large échelle dès 2010 a déjà bouleversé le domaine en résolvant des tâches sur lesquelles les algorithmes précédents butaient. Mais Simon Nørrelykke voit dans les grands modèles de langage une transformation encore plus profonde. Un scientifique n’a pas nécessairement le vocabulaire de l’analyse d’images pour formuler son besoin. Là où il fallait auparavant dialoguer avec un spécialiste déjà au stade de définir la terminologie et les méthodes, il peut désormais décrire son problème à un modèle de langage et progresser par itérations. Une évolution qu’il juge « spectaculaire », mais qui ne dispense pas de la prudence inhérente à toute démarche scientifique. Une réponse plausible n’est pas nécessairement juste et les modèles peuvent se tromper avec une assurance déconcertante. « S’il y a quelque part une boîte noire que vous ne comprenez pas, vous avez besoin de quelques contrôles importants. » Les chercheurs sont de plus en plus capables de résoudre eux-mêmes les problèmes d’analyse d’images relativement simples. La frontière entre ce qui est considéré comme simple et ce qui ne l’est pas évolue rapidement, laissant aux spécialistes du Centre les cas les plus complexes. « Les problèmes qui nous arrivent sont les plus épineux. Quand on aime résoudre des problèmes, c’est plutôt une bonne nouvelle. »