À la surface des feuilles de lotus se trouvent des aspérités microscopiques qui empêchent l’eau d’y adhérer. Cette découverte a changé notre façon de comprendre comment les liquides interagissent avec les surfaces : ce n’est pas seulement la chimie du matériau qui compte, mais aussi sa texture. Depuis, les scientifiques s’en sont inspirés pour explorer de nouvelles façons de contrôler le comportement des liquides à la surface des matériaux.

La feuille de lotus présente une propriété remarquable : elle s’autonettoie. Les gouttes d’eau, en roulant à sa surface, emportent poussières et autres contaminants, laissant la feuille d’une propreté remarquable.

Il y a près de trente ans, l’explication de ce phénomène, connu sous le nom d’effet Lotus, a été proposée par les botanistes Wilhelm Barthlott et Christoph Neinhuis. Cette découverte a changé profondément notre façon d’appréhender les interactions entre un solide et des liquides. Le défi de reproduire cette propriété autonettoyante, puis de l’améliorer, a été relevé rapidement en science des matériaux.

Depuis, la botanique a encore inspiré d’autres découvertes utiles à des applications technologiques — nous rappelant encore une fois combien la recherche purement fondamentale peut avoir des répercussions importantes, au-delà de la curiosité qui la motive.

De l’effet Lotus à la superhydrophobie

L’explication proposée par Wilhelm Barthlott et Christoph Neinhuis dans leur article fondateur publié en 1997 est finalement toute simple. Elle révèle que l’effet Lotus repose sur une texturation de la surface de la feuille à l’échelle micrométrique, voire nanométrique.

La rugosité correspondant à cette texture est telle que, lorsqu’une goutte d’eau se dépose sur cette surface, elle ne repose que sur très peu de matière, avec un maximum d’air piégé entre la goutte et la feuille. La goutte est alors comme suspendue, ce qui conduit à une adhérence très faible. Ainsi, les gouttes roulent sur la feuille sous l’effet de leur poids, emportant sur leur passage les impuretés qui y sont déposées.

La possibilité de contrôler l’adhérence des gouttes par la simple texturation de surface a rapidement séduit le monde de la science des matériaux, où les situations nécessitant un contrôle de l’adhésion d’un liquide sont extrêmement nombreuses, comme dans le cas par exemple des textiles techniques, des peintures ou des vernis.

Une véritable course s’est ainsi engagée pour reproduire les propriétés répulsives de la feuille de lotus sur des surfaces synthétiques. Cet essor a été rendu possible par la diffusion dans les laboratoires, à la même époque, de techniques d’observation adaptées à l’observation aux échelles des textures ciblées, telles que la microscopie électronique à balayage en mode environnemental, qui permet l’observation d’objets hydratés et fragiles que sont les objets biologiques, ou encore la microscopie à force atomique qui permet de sonder les surfaces grâce à un levier micrométrique.

Ce sont aussi les progrès en techniques de microfabrication, permettant de créer ces textures de surface aux échelles recherchées, qui ont rendu possible l’essor du domaine. Dans les premières études sur la reproduction de l’effet lotus, les chercheurs ont principalement eu recours à des techniques de texturation de surface, telles que la photolithographie et la gravure par plasma ou faisceau d’ions, l’ajout de particules, ou encore la fabrication de répliques de textures naturelles par moulage.

L’appropriation de l’effet lotus par le domaine des matériaux a rapidement orienté les recherches vers la superhydrophobie, propriété à la base de l’effet autonettoyant, plutôt que vers l’effet autonettoyant lui-même. Les recherches se sont d’abord concentrées sur la texturation des surfaces pour contrôler la répulsion de l’eau, puis se sont très vite étendues aux liquides à faible tension de surface, comme les huiles. En effet, les huiles posent un plus grand défi encore, car contrairement à l’eau, elles s’étalent facilement sur les surfaces, ce qui rend plus difficile la conception de matériaux capables de les repousser.

Cette appropriation du phénomène par le monde de la science des matériaux et des enjeux associés a d’ailleurs produit un glissement sémantique qui s’est traduit par l’apparition des termes « superhydrophobe » et « superoléophobe » (pour les huiles), supplantant progressivement le terme « effet lotus ».

Désormais, le rôle crucial de la texture de surface, à l’échelle micrométrique et nanométrique, est intégré de manière systématique dans la compréhension et le contrôle des interactions entre liquides et solides.

La botanique également à l’origine d’une autre découverte exploitée en science des matériaux

Bien que l’idée de superhydrophobie ait déjà été publiée et discutée avant la publication de l’article sur l’effet Lotus, il est remarquable de constater que c’est dans le domaine de la botanique que trouve son origine l’essor récent de la recherche sur le rôle de la texturation de surface dans l’interaction liquide-solide.

La botanique repose sur une approche lente et méticuleuse — observation et classification — qui est aux antipodes de la science des matériaux, pressée par les impératifs techniques et économiques et bénéficiant de moyens importants. Pourtant, c’est bien cette discipline souvent sous-estimée et sous-dotée qui a permis cette découverte fondamentale.

Plus tard, en 2010, fidèle à sa démarche de botaniste et loin de la course aux innovations technologiques lancée par l’explication de l’effet Lotus, Wilhelm Barthlott a découvert ce qu’il a appelé l’effet Salvinia. Il a révélé et expliqué la capacité étonnante de la fougère aquatique Salvinia à stabiliser une couche d’air sous l’eau, grâce à une texture de surface particulièrement remarquable.

La possibilité de remplacer cette couche d’air par un film d’huile, également stabilisé dans cette texture de surface, a contribué au développement des « surfaces infusées », qui consistent en des surfaces rugueuses ou poreuses qui stabilisent en surface un maximum de liquide comme de l’huile. Ces surfaces, encore étudiées aujourd’hui, présentent des propriétés remarquables.

La biodiversité, source d’inspiration pour les innovations, est aujourd’hui en danger

L’explication de l’effet Lotus et sa diffusion dans le monde des matériaux démontrent finalement comment, loin des impératifs de performance et des pressions financières de la recherche appliquée, une simple observation patiente de la nature a permis de révéler l’origine de la superhydrophobie des surfaces végétales (qui concerne une surface estimée à environ 250 millions de kilomètres carré sur Terre) — dont il a été proposé que le rôle principal est d’assurer une défense contre les pathogènes et d’optimiser les échanges gazeux.

Elle illustre non seulement la richesse de l’observation du vivant, mais aussi l’importance de cultiver des approches de recherche originales en marge des tendances dominantes, comme le souligne Christoph Neinhuis dans un article hommage à Wilhelm Barthlott. Le contraste est saisissant entre la rapidité avec laquelle nous avons réussi à reproduire la superhydrophobie sur des surfaces synthétiques et les millions d’années d’évolution nécessaires à la nature pour y parvenir.

Wilhelm Barthlott, dans un plaidoyer pour la biodiversité, nous rappelle combien cette lente évolution est menacée par la perte accélérée des espèces, réduisant d’autant nos sources d’inspiration pour de futures innovations.

Laurent Vonna ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

L’absence de queue chez l’humain et les grands singes constitue une des évolutions anatomiques les plus intrigantes. La majorité des mammifères arbore une queue fonctionnelle mais les hominoïdes (humains, gorilles, chimpanzés, etc.) ne possèdent qu’un vestige : le coccyx.

Cette particularité peut paraître d’autant plus surprenante qu’il est possible de voir une queue sur l’embryon humain. Tous les embryons humains développent temporairement une queue entre la quatrième et la huitième semaine de gestation, qui disparaît bien avant la naissance. Des travaux en génétique révèlent les mécanismes moléculaires à l’origine de la perte de la queue.

Des traces virales dans l’ADN humain

L’ADN conserve dans ses séquences la mémoire des grandes transitions et des bouleversements qui ont façonné la vie au fil du temps, où chaque fragment d’ADN raconte une étape de notre histoire biologique.

De 8 à 10 % du génome humain provient de virus anciens qui ont infecté nos ancêtres il y a des millions d’années. Par exemple, les rétrovirus endogènes sont les vestiges de virus ancestraux qui se sont intégrés dans l’ADN et ont été transmis de génération en génération. Certaines de ces séquences virales ont longtemps été considérées comme de l’« ADN poubelle ». Cet ADN poubelle désigne l’ensemble des séquences du génome qui ne codent pas pour des protéines et dont la fonction biologique était initialement jugée inexistante ou inutile. En réalité, certains de ces virus ont joué des rôles clés dans notre biologie, notamment lors du développement embryonnaire. Ils ont par exemple permis la formation du placenta via l’expression de protéines nécessaire au développement et au fonctionnement de cet organe.

D’autres éléments viraux, appelés gènes sauteurs ou éléments transposables qui sont des séquences d’ADN mobiles capables de se déplacer ou de se copier dans le génome, influencent l’expression des gènes voisins. Ces éléments régulent par exemple des gènes clés lors du développement embryonnaire des organes reproducteurs chez la souris, en s’activant de manière spécifique selon le sexe et le stade de développement.

Tous les quinze jours, de grands noms, de nouvelles voix, des sujets inédits pour décrypter l’actualité scientifique et mieux comprendre le monde. Abonnez-vous gratuitement dès aujourd’hui !

Une insertion virale à l’origine de la perte de la queue

Il y a 25 millions d’années, un élément transposable s’est inséré dans le gène TBXT des ancêtres hominoïdes. Le gène TBXT (ou Brachyury) joue un rôle central dans la formation de la chorde, une structure embryonnaire essentielle au développement de la colonne vertébrale et de l’axe corporel. Chez les vertébrés, ce gène régule la différenciation des cellules qui donneront naissance aux muscles, aux os et au système circulatoire. Des mutations de TBXT ont été identifiées chez des animaux à queue courte ou absente, comme le chat Manx et des moutons développant des anomalies vertébrales. Chez l’humain, des mutations de TBXT sont liées à des malformations comme le spina bifida. Ces malformations touchent le développement de la colonne vertébrale et de la moelle épinière : les vertèbres ne se referment pas complètement dans leur partie dorsale autour de la moelle, laissant parfois une partie du tissu nerveux exposé.

Articulé avec le sacrum, le coccyx est une pièce osseuse située à l’extrémité inférieure de la colonne vertébrale, qui constitue donc un vestige de la queue des mammifères. La mutation de TBXT altérerait la conformation de la protéine, perturbant ses interactions avec des voies de signalisation moléculaire qui régulent par exemple la prolifération cellulaire et la formation des structures à l’origine des vertèbres. L’introduction chez la souris d’une mutation du gène TBXT identique à celles dans la nature a permis d’observer des animaux à queue courte et dont le développement embryonnaire est perturbé (6 % des embryons développent des anomalies similaires au spina bifida). L’étude montre que la mutation TBXT modifie l’activité de plusieurs gènes de la voie Wnt, essentiels à la formation normale de la colonne vertébrale. Des expériences sur souris montrent que l’expression simultanée de la forme complète et de la forme tronquée du produit du gène induit une absence totale de queue ou une queue raccourcie, selon leur ratio.

Ces travaux expliquent pourquoi les humains et les grands singes ont un coccyx au lieu d’une queue fonctionnelle. L’insertion de cette séquence d’ADN mobile, ou élément transposable, a agi comme un interrupteur génétique : elle désactive partiellement TBXT, stoppant le développement de la queue tout en permettant la formation du coccyx.

Un compromis évolutif coûteux ?

La perte de la queue a marqué un tournant évolutif majeur pour les hominoïdes. En modifiant le centre de gravité, elle aurait facilité l’émergence de la bipédie, permettant à nos ancêtres de libérer leurs mains pour manipuler des outils ou porter de la nourriture. Mais cette adaptation s’est accompagnée d’un risque accru de malformations congénitales, comme le spina bifida, qui touche environ 1 naissance sur 1 000.

Si des mutations du gène TBXT sont impliquées, d’autres facteurs de risques ont été aussi identifiés, comme les carences nutritionnelles (un manque d’acide folique (vitamine B9) chez la mère), la prise de médicaments anti-épileptiques (valproate), le diabète, l’obésité, les modes de vie liés à la consommation de tabac ou d’alcool. Plus récemment, une étude a montré qu’une exposition élevée aux particules PM₁₀ (particules inférieures à 10 microns) pendant la grossesse augmente le risque de 50 % à 100 % le développement d’un spina bifida.

Ces résultats illustrent une forme de compromis évolutif : la disparition de la queue, avantageuse pour la bipédie, a été favorisée tandis qu’un risque accru de malformations vertébrales est resté « tolérable ». Aujourd’hui, le coccyx incarne ce paradoxe d’un avantage conservé au prix de la vulnérabilité : utile pour fixer des muscles essentiels à la posture et à la continence (soutien du plancher pelvien), il reste un vestige « fragile ». Les chutes peuvent le fracturer.

En conclusion, le coccyx des hominoïdes illustre un paradoxe évolutif : une mutation virale ancienne a sculpté leurs anatomies, mais a aussi créé des vulnérabilités. Des fragments d’ADN, venus de virus anciens, sont devenus au fil de l’évolution des rouages essentiels du développement embryonnaire : ils accélèrent la croissance, coordonnent la spécialisation des cellules et régulent l’expression des gènes au moment opportun.

Jean-François Bodart ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Peut-on faire confiance à un algorithme d’IA dont les décisions ne sont pas interprétables ? Quand il s’agit de diagnostiquer une maladie ou de prédire une panne sur un train ou une voiture, la réponse est évidemment non.

L’intelligence artificielle hybride se positionne comme une réponse naturelle et efficace aux exigences croissantes d’interprétabilité, de robustesse et de performance.

En conciliant données et connaissances, apprentissage et raisonnement, ces approches ouvrent la voie à une nouvelle génération de systèmes intelligents, capables de comprendre — et de faire comprendre — le comportement de systèmes physiques complexes. Une direction incontournable pour une IA de confiance.

Les algorithmes d’IA s’immiscent de plus en plus dans les systèmes critiques — transport, énergie, santé, industrie, etc. Dans ces domaines, une erreur peut avoir des conséquences graves — et un problème majeur de la plupart des systèmes d’IA actuels est qu’ils ne sont pas capables d’expliquer leurs conclusions et qu’il est donc difficile pour leurs superviseurs humains de rectifier le système s’il commet une erreur.

Considérons par exemple la maintenance des roulements d’un train. Si un modèle d’IA indique la nécessité d’une réparation sans donner d’explication, le technicien en charge ne sait pas si l’alerte est justifiée, ni quoi réparer ou remplacer exactement. Celui-ci peut alors être amené à ignorer l’alerte pour éviter des arrêts ou des réparations inutiles, ce qui peut avoir des conséquences critiques. Pour ces raisons, la nouvelle loi européenne sur l’IA — le AI Act — introduit des exigences de transparence et de supervision humaine.

À lire aussi : L’AI Act, ou comment encadrer les systèmes d’IA en Europe

Tous les quinze jours, de grands noms, de nouvelles voix, des sujets inédits pour décrypter l’actualité scientifique et mieux comprendre le monde. Abonnez-vous gratuitement dès aujourd’hui !

Pour concevoir des solutions à la fois performantes, robustes et interprétables (compréhensibles) par des humains, les approches d’IA dites « hybrides » proposent une voie prometteuse.

Il s’agit de combiner les méthodes d’apprentissage à partir des données (l’IA) avec des modèles basés sur les connaissances des experts du domaine concerné (par exemple des procédures de tests habituellement utilisées par les techniciens de maintenance des trains).

Première option : apprendre à partir des données pour enrichir les modèles experts

Une première approche hybride consiste à utiliser l’apprentissage automatique, non pas comme une fin en soi, mais comme un outil pour construire ou ajuster des modèles basés sur des connaissances physiques ou structurelles du système.

Par exemple, dans le suivi de patients épileptiques, des modèles physiques existent pour décrire les activités cérébrales normale et pathologique. Cependant, l’analyse de signaux d’électroencéphalogrammes par apprentissage automatique permet d’identifier des motifs annonciateurs de crises d’épilepsie que les modèles des experts ne prévoient pas. Ici, l’IA vient compléter la connaissance médicale avec des analyses pouvant prendre en compte l’évolution de la maladie spécifique à chaque patient.

On dit que l’apprentissage du système d’IA est « guidé » par des analyses de diagnosticabilité, c’est-à-dire la capacité à identifier précisément un état anormal grâce aux observations.

Un autre exemple concret : le modèle d’un moteur électrique enrichi avec l’IA hybride peut combiner un premier modèle représentant le comportement nominal du moteur sous forme d’équations de la physique, complété avec des comportements appris grâce aux données mesurées. On peut ainsi découvrir des comportements anormaux comme des petits glissements intermittents du rotor dus à une usure progressive des roulements.

On voit que cette combinaison permet à la fois de profiter de la rigueur du modèle physique et de la flexibilité de l’apprentissage automatique.

Deuxième option : Injecter directement des « règles » dans les modèles d’IA

Une autre voie d’hybridation consiste à intégrer directement des connaissances expertes dans les algorithmes d’apprentissage. Ainsi, on rend l’approche d’IA « interprétable » (dans le sens où le résultat peut être compris et expliqué par un humain). Par exemple, on peut guider un arbre de décision avec des règles inspirées de la physique ou du raisonnement humain.

En utilisant des arbres de décision dans les algorithmes d’IA, on peut dévoiler des « tests de diagnostic » adéquats que l’on ne connaissait pas encore.

Un exemple de test de diagnostic simple est de regarder la différence entre l’état d’un interrupteur et l’état de la lampe associée (la lampe ne s’allume que si la position de l’interrupteur est sur ON. Si l’on constate que l’interrupteur est sur ON mais que la lampe est éteinte, il y a un problème ; de même si l’interrupteur est OFF et la lampe est allumée). Ce genre de relation, égale à 0 quand le système fonctionne de manière nominale et différente de 0 quand il y a un problème, existe également pour le diagnostic de systèmes plus complexes. La seule différence est que la relation est mathématiquement plus complexe, et qu’elle fait intervenir plus de variables — si le test de diagnostic de notre système « interrupteur+ampoule » est simple, ces tests sont souvent plus difficiles à concevoir.

Ainsi, en IA, si on insère des arbres de décision où on force les règles à être des tests de diagnostic — sans connaître le test spécifique au préalable — on peut :

• découvrir un test de diagnostic adéquat de manière automatique et sans expertise humaine,

• faire en sorte que l’algorithme d’IA résultant soit plus facilement interprétable.

Troisième option : rendre les réseaux de neurones moins obscurs

Les réseaux de neurones sont très performants mais critiqués pour leur opacité. Pour y remédier, on peut injecter des connaissances expertes dans leur structure, notamment via par exemple les Graph Neural Networks (GNN).

Contrairement aux architectures classiques, les GNN sont conçus pour traiter des données structurées sous forme de graphes, ce qui les rend particulièrement adaptés pour tirer parti des modèles de systèmes physiques complexes.

Par exemple, dans le cas d’une carte électronique, la structure du circuit — c’est-à-dire les connexions entre composants, la topologie des pistes, etc. — peut être représentée sous forme de graphe. Chaque nœud du graphe représente un composant (résistance, condensateur, circuit intégré…), et les arêtes traduisent les connexions physiques ou fonctionnelles.

En entraînant un GNN sur ces graphes enrichis de données mesurées (tensions, courants, températures), on peut non seulement détecter des anomalies, mais aussi localiser leur origine et comprendre leur cause probable, grâce à la structure même du modèle.

Cette approche améliore l’explicabilité des diagnostics produits : une anomalie n’est plus simplement un signal aberrant détecté statistiquement, mais peut être reliée à un ensemble de composants spécifiques, ou à une zone fonctionnelle de la carte. Le GNN agit ainsi comme un pont entre la complexité des réseaux de neurones et l’intelligibilité du comportement physique du système.

Quatrième option : croiser les sources pour un diagnostic fiable

Enfin, les méthodes de fusion permettent de combiner plusieurs sources d’information (modèles, données, indicateurs) en un diagnostic unifié. Ces méthodes s’avèrent particulièrement utiles lorsque les différentes sources d’information sont complémentaires ou redondantes.

Un exemple d’application : fusionner les résultats de diagnostic issus d’un modèle basé sur la physique et de modèles issus de méthodes d’apprentissage permet d’obtenir une estimation plus robuste de l’état de santé d’un composant, en tirant profit à la fois de la fiabilité de la modélisation physique et de la sensibilité des approches basées données.

C’est aussi exactement ce qui est fait en médecine lorsqu’on confronte les résultats d’un diagnostic médical obtenu par une équipe de médecins, dont les avis peuvent diverger, ajouté à des méthodes d’aide à la décision automatisées nourries par des données (diagnostics déjà existants, base de données patients, etc.).

Le programme « Investir pour l’avenir – PIA3 » ANR-19-PI3A-0004 est soutenu par l’Agence nationale de la recherche (ANR), qui finance en France la recherche sur projets. L’ANR a pour mission de soutenir et de promouvoir le développement de recherches fondamentales et finalisées dans toutes les disciplines, et de renforcer le dialogue entre science et société. Pour en savoir plus, consultez le site de l’ANR.

Elodie Chanthery a reçu des financements d'ANITI dans le cadre du programme français « Investir pour l'avenir - PIA3 » sous le numéro de convention ANR-19-PI3A- 0004. Elle est membre d'ANITI (Artificial and Natural Intelligence Toulouse Institute).

Philippe Leleux ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.