1. L’héritabilité

9 Le concept d’héritabilité est omniprésent dans les travaux des sociogénomistes, soit que l’héritabilité d’un phénomène social soit directement mesurée, soit que l’héritabilité mesurée dans des travaux antérieurs serve d’argument à la pertinence de l’intégration d’informations génétiques dans les analyses.

10 L’origine du terme « héritabilité » est difficile à retracer. Il est souvent attribué à Lush et son ouvrage intitulé Animal Breeding Plans (1937). Mais la formulation mathématique de l’héritabilité est antérieure et est l’œuvre de Ronald Fisher en 1918. Celui-ci propose de décomposer la variance du phénotype P en la somme de la variance des gènes G et de la variance de l’environnement E. Il souligne l’importance du rapport var(G)/var(P), qui est précisément ce que nous appelons maintenant l’héritabilité, autrement dit la part de la variabilité d’un phénotype qui est attribuable à la variabilité génétique [7].

11 Le modèle de Fisher a d’abord été appliqué à des traits physiques humains mesurables tels que la taille ou le poids, mais aussi à un autre trait quantitatif, le quotient intellectuel (QI), en utilisant les résultats des tests de QI. C’est à partir de la fin des années 1960 que l’héritabilité du QI devient largement débattue, notamment après la publication des travaux de Jensen (1969). En utilisant des données sur le QI recueillies dans différentes études, Jensen estime que l’héritabilité du QI est d’environ 80 %. Il en conclut que les différences d’intelligence entre groupes sociaux sont en grande partie d’origine génétique et que les politiques éducatives visant à réduire les inégalités seraient, de ce fait, inefficaces. Ce type de raisonnement est notoirement prolongé dans The Bell Curve de Herrnstein et Murray (1994) ou dans les travaux de l’éminent psychologue Robert Plomin (2018). Parallèlement, l’étude de l’héritabilité du QI fait l’objet de nombreuses critiques théoriques, méthodologiques, morales et politiques (Jacquard, 1978 ; Kempthorne, 1978 ; Lewontin et al., 1984).

12 Les études sur l’héritabilité des traits cognitifs, culturels et sociaux se sont multipliées depuis les années 1970, notamment grâce au développement de la génétique comportementale. L’estimation de l’héritabilité de différentes maladies humaines courantes a aussi suscité un intérêt considérable. Le diabète est un exemple de ces maladies qui a été au centre de nombreuses études pour en comprendre la contribution génétique (Genin et Clerget-Darpoux, 2015b).

13 Les sociogénomistes quantifient également l’héritabilité de traits. Par exemple, à partir de données sur des jumelles au Royaume-Uni, Tropf et al. (2015) établissent que la variation de l’âge au premier enfant est expliquée pour 26 % par les prédispositions génétiques, pour 14 % par l’environnement partagé dans les fratries et pour 60 % par l’environnement non partagé ou par les erreurs de mesure. Autre exemple, Baier et Van Winkle (2020) constatent que l’héritabilité des performances scolaires est moins forte pour les enfants dont les parents sont séparés, et en concluent que des politiques éducatives pourraient cibler spécifiquement ce type d’enfants pour les aider à réaliser leur potentiel génétique.

14 Cependant, quelle que soit leur discipline d’appartenance, les travaux mobilisant des mesures d’héritabilité sont bien souvent marqués par de mauvais usages et des interprétations erronées.

2. Le modèle polygénique additif

23 Le concept d’héritabilité repose sur l’idée que les phénotypes peuvent être décrits comme la somme d’une composante génétique et d’une composante non génétique (ou environnementale), et que la composante génétique implique un grand nombre de gènes dont les effets s’additionnent et qui apportent chacun une contribution infinitésimale à la variation du phénotype. Ce modèle, appelé « modèle polygénique additif » (ou « modèle infinitésimal »), trouve son origine dans les observations de Galton (1877), dans leur analyse par Pearson (1898), puis dans l’interprétation de Fisher (1918). Il est au fondement de nombreuses approches en génétique humaine et forme le socle de tous les outils présentés dans la partie III. Il repose sur un certain nombre d’hypothèses. Or celles-ci ne sont pas toujours nettement énoncées, et encore moins vérifiées. Courgeau (2017) en identifie cinq principales, sur lesquelles reposent les calculs d’héritabilité :

25 Cependant :

27 Génin et Clerget-Darpoux (2015b) mentionnent aussi le fait que le modèle polygénique additif suppose que les facteurs génétiques et environnementaux sont nombreux et ont chacun une faible contribution, autrement dit qu’aucun facteur génétique ou environnemental n’a une contribution majeure. Or il existe bien des facteurs environnementaux exerçant des effets majeurs, comme c’est le cas de la durée des études sur l’âge au premier enfant ou du régime alimentaire et de l’activité physique sur le diabète de type II (Génin et Clerget-Darpoux, 2015b).

28 Finalement, on le voit, aucune des hypothèses sur lesquelles repose le modèle n’est vérifiée. C’est pourquoi des voix de plus en plus nombreuses appellent à dépasser le modèle polygénique additif et à un profond changement de paradigme en génétique humaine, « plus proche du véritable système biologique » (Nelson et al., 2013, p. 671). Le « modèle omnigénique » de Boyle et al. (2017) est une proposition qui va dans ce sens. Les auteurs prennent note du fait que, dans les études d’association à l'échelle du génome, les associations statistiques entre les marqueurs génétiques et les maladies identifient un grand nombre de gènes dispersés dans le génome, y compris de nombreux gènes sans lien évident avec la maladie. Cela va à l’encontre de l’attente selon laquelle les marqueurs causaux seraient regroupés dans les principales voies (pathways) liées à la maladie. Boyle et al. suggèrent que les réseaux de régulation des gènes sont tellement interconnectés que tous les gènes sont susceptibles d’influencer les fonctions des gènes centraux de la maladie. De ce fait, une distinction est faite entre les gènes régulateurs et les gènes centraux. Mais surtout, selon le modèle omnigénique, la majeure partie de l’héritabilité s’explique par l’effet de gènes situés en dehors des voies centrales.

1. Études de jumeaux

30 Les premières estimations de l’héritabilité ont été dérivées de données empiriques sur les corrélations phénotypiques entre parents, et différentes approches ont été proposées pour comparer ces corrélations entre différents types de parents (Tenesa et Haley, 2013). Parmi les différents types de parents, le plus exploitable en génétique humaine est la comparaison des vrais et faux jumeaux. En 1876, Galton a proposé l’utilisation de jumeaux pour distinguer les facteurs génétiques et environnementaux dans l’expression d’un trait. Mais ce n’est qu’au début du vingtième siècle qu’émerge l’idée qu’il existe deux types de jumeaux : les monozygotes (MZ, qui ont 100 % de leur patrimoine génétique en commun) et les dizygotes (DZ, qui ne partagent que 50 % de leur génotype). En 1924, Siemens a publié la première étude comparant la similarité entre les jumeaux MZ et DZ. En 1960, Falconer a montré que l’héritabilité peut être simplement estimée à partir de la différence entre les taux de concordance, soit le taux de similarité pour la caractéristique étudiée, MZ et DZ. Dès lors, les « twin studies » se sont rapidement multipliées pour étudier les traits humains (Polderman et al., 2015). L’étude sur l’héritabilité de l’âge au premier enfant mentionnée dans la partie précédente s’appuyait précisément sur des données de jumeaux (Tropf et al., 2015).

31 Ces études de jumeaux consistent, pour un trait donné, à mesurer la ressemblance parmi des paires de jumeaux monozygotes et parmi des paires de jumeaux dizygotes. Si la ressemblance est plus forte parmi les jumeaux monozygotes, on considère que le trait étudié est – au moins pour une part – déterminé par les gènes. Des modèles statistiques permettent de quantifiercette part attribuée à l’héritabilité du trait.

32 Les études de jumeaux reposent sur un ensemble d’hypothèses qui ne sont pas toujours mentionnées, en particulier les suivantes (Joseph, 2013 ; Burt et Simons, 2014) :

34 Or une partie (au moins) de ces hypothèses ne sont pas vérifiées. On a vu dans la partie précédente que la stricte additivité des effets génétiques n’est pas recevable (H5). La possibilité de décomposer la variation du phénotype en une composante génétique et une composante environnementale implique l’absence d’interactions entre gènes et environnement, postulat dont on a vu également l’irrecevabilité (H4). L’homogamie est un résultat bien établi, en génétique humaine (un individu tend à ressembler génétiquement plus à son conjoint qu’à un individu pris au hasard dans la population, voir Conley et Fletcher, 2017) comme en sciences sociales (H6). Or l’homogamie sociale est associée à l’homogamie génétique, qui accroît la ressemblance génétique entre les enfants. Dans le contexte des études de jumeaux, cela signifie que l’homogamie accroît la ressemblance entre jumeaux DZ relativement aux jumeaux MZ, donc biaise à la baisse l’estimation de l’héritabilité.

35 Par ailleurs, les recherches récentes en génétique montrent que les génotypes des jumeaux monozygotes ne sont pas identiques à 100 % (H2) et que l’identité génétique entre jumeaux n’est pas constante tout au long de la vie (H3), ces discordances étant suffisantes pour rendre les estimations de l’héritabilité peu fiables (Charney, 2012).

36 L’hypothèse d’equal environment (H7) est sans doute la plus discutée. Depuis les années 1960, les preuves empiriques s’accumulent, montrant que les jumeaux monozygotes vivent dans des environnements sociaux plus similaires que les dizygotes. Par exemple, ils ont plus de chances d’être traités de la même manière par leurs parents, d’avoir les mêmes amis, d’être dans la même classe, de passer du temps ensemble, d’être plus attachés l’un à l’autre, etc. (Joseph, 2013 ; Burt et Simons, 2014).

37 De plus, l’environnement prénatal (intra-utérin) des jumeaux monozygotes et dizygotes est différent : les environnements prénataux des jumeaux MZ (qui partagent souvent le même placenta) sont plus semblables que ceux des jumeaux DZ (qui ne partagent jamais le même placenta). Or on sait que cet environnement a des conséquences très importantes sur de nombreux aspects du développement (Charney, 2017).

38 La plupart des défenseurs des études de jumeaux reconnaissent que les environnements des jumeaux MZ sont plus similaires que ceux des jumeaux DZ. Mais certains d’entre eux reformulent l’hypothèse pour la rendre moins contraignante : il suffirait que les environnements soient « égaux » dans les caractéristiques directement liées au trait étudié (trait-relevant equal environment assumption). Ce faisant, ils tendraient à faire porter la charge de la preuve sur les critiques, auxquels il incomberait de démontrer que l’hypothèse, dans cette version révisée, n’est pas valide.

39 De nombreux travaux tentent de montrer que la violation de l’hypothèse d’environnements égaux n’engendre pas de biais dans les calculs d’héritabilité. Parmi eux, les plus rigoureux et convaincants sont sans doute ceux utilisant des données sur les jumeaux « mal classés » [10] (Conley et al., 2013). Cependant, ils n’ont pas une portée générale, dans le sens où ils analysent des données et des traits particuliers, et reposent implicitement sur la validité de l’ensemble des autres hypothèses sous-jacentes aux études de jumeaux. Guo (1999) montre, à l’inverse, que l’estimation d’héritabilité peut être relativement élevée même en l’absence complète de facteurs génétiques lorsque les environnements des jumeaux MZ sont plus ressemblants que ceux des jumeaux DZ.

2. Études d’associations pangénomiques (GWAS)

40 À partir des années 2000, les technologies de séquençage et de génotypage à haut débit se développent. On peut dès lors étudier simultanément un grand nombre de marqueurs génétiques, chez un grand nombre de sujets, pour un coût qui décroît extrêmement vite [11]. Ce progrès technologique permet l’apparition des « études d’associations pangénomiques » (genome-wide association studies, ou GWAS). Leur principe consiste à cartographier (i.e. « génotyper »), pour chaque individu étudié, un nombre très élevé [12] de polymorphismes nucléotidiques* (single nucleotide polymorphism, ou SNP). On réalise ensuite un test statistique d’association pour chaque polymorphisme, afin de détecter l’ensemble des « hits », i.e. des polymorphismes dont l’association statistique avec le trait étudié est significative, c’est-à-dire ceux qui sont significativement plus souvent présents chez les individus ayant le trait.

41 Dans le domaine de la sociogénomique, par exemple, à partir d’une étude d’associations pangénomiques, Barban et al. identifient douze loci* influençant les comportements reproductifs, « ce qui permet de mieux comprendre ces traits complexes » (Barban et al., 2016, p. 1).

3. La méthode Genome-based restricted maximum likelihood (GREML)

52 Le nombre d’études d’association pangénomique a explosé durant les quinze dernières années, engendrant le développement de nouvelles méthodes d’analyse, notamment pour estimer l’héritabilité à partir des polymorphismes nucléotidiques recensés dans ces études, donc sans s’appuyer sur des études de jumeaux (Speed et al., 2020). Parmi ces méthodes, GREML* (Genome-based restricted maximum likelihood) est sans doute la plus mobilisée. Elle permet d’étudier la similarité génétique entre des individus non apparentés (Yang et al., 2011).

53 Cependant, du point de vue de la génétique des populations, l’apparentement ne se réduit pas aux liens de parentés : GREML doit faire face au biais de stratification de la population (voir partie III.4). Or, pour le moment, les techniques mises en œuvre pour corriger ce biais ne sont pas adaptées (Browning et Browning, 2011, 2013 ; Janss et al., 2012).

54 GREML est également sensible à l’échantillonnage et aux erreurs de mesure du phénotype ; les estimations sont biaisées et les écarts types inexacts : la méthode ne produit pas une estimation fiable et stable de l’héritabilité (Charney, 2013 ; Kumar et al., 2016a, 2016b).

55 En outre, les mesures d’héritabilité obtenues à partir des études de jumeaux sont généralement élevées, alors qu’elles le sont beaucoup moins à partir des études d’associations pangénomiques. Par exemple, l’héritabilité de l’âge au premier enfant est estimée à environ 30 % à partir d’études de jumeaux (Briley et al., 2017) et à 15 % à partir de la méthode GREML (Tropf et al., 2015b), voire 0,9 % à partir d’un score de risque polygénique (partie III.4.) (Mills et al., 2018). L’écart entre ces résultats donne lieu à des débats fournis sur l’origine de cette « héritabilité manquante » (missing heritability, Manolio et al., 2009), qui est souvent interprétée comme un artefact de l’imperfection transitoire des données et des méthodes statistiques employées.

4. Les scores de risque polygénique

56 En 2007, Wray et al. ont proposé un nouvel outil de prédiction pour les cliniciens : le « score de risque polygénique »* (polygenic risk score, ou PGS). Un PGS est une variable quantitative qui résume la prédisposition génétique d’un individu pour un trait donné. Il est calculé à partir de la combinaison linéaire des SNP présents chez l’individu, pondérée par la taille des effets des SNP mesurés dans la GWAS (Dudbridge, 2013). Il fait l’hypothèse que chaque individu possède un certain degré de prédisposition génétique, résultant de petites contributions de nombreux marqueurs génétiques.

57 Des applications logicielles calculant le PGS individuel pour de nombreuses maladies et destinées à aider la décision clinique ont été développées. Le nombre d’articles vantant les avantages de l’utilisation des PGS pour différentes maladies complexes a augmenté de façon exponentielle au cours de la dernière décennie [17]. Les PGS sont également très mobilisés par les sociogénomistes [18]. Par exemple, Mills et al. (2018) montrent que les femmes qui ont une prédisposition génétique à avoir un premier enfant tardivement présentent également un décalage de l’ensemble de leur période reproductive, avec une apparition plus tardive des premières règles et de la ménopause. Domingue et al. (2015) observent que les individus ayant une prédisposition génétique élevée à la réussite scolaire font en moyenne plus d’années d’études, même en neutralisant l’effet du milieu social. Ils en concluent que la prédisposition génétique exerce bien un effet causal.

58 Les PGS sont également utilisés par les sociogénomistes pour étudier les interactions entre gènes et environnement. Par exemple, Schmitz et Conley (2016) analysent un score de risque polygénique pour le tabagisme parmi les vétérans du Vietnam. Ils montrent que, parmi les vétérans ayant des prédispositions génétiques élevées, le tabagisme est significativement atténué chez ceux ayant fait des études après la guerre. Conley et al. (2015) s’interrogent sur la manière dont les gènes interviennent dans la relation entre le niveau d’études des parents et celui de leurs enfants. Ils constatent que la corrélation entre l’éducation des parents et celle des enfants est attribuable pour un sixième à la transmission génétique et cinq sixièmes à l’héritage social ; que le score de risque polygénique parental n’a pas d’effet significatif sur la réussite scolaire des enfants quand on contrôle par le score de risque des enfants ; que les prédispositions génétiques des enfants ne sont pas modérées par les caractéristiques sociodémographiques des parents. Ils concluent à la coexistence de deux systèmes d’héritage distincts, l’un génétique et l’autre social.

59 S’appuyant sur les résultats des études d’associations pangénomiques, les scores de risque polygéniques en héritent les limites. Mais leur utilisation fait aussi émerger d’autres problèmes.

5. Études « gène candidat »

67 Pour étudier les interactions entre gènes et environnement, les sociogénomistes utilisent des scores de risques polygéniques, mais aussi une autre approche, plus ancienne, appelée « gène candidat » (candidate gene studies). Celle-ci consiste à cibler certains marqueurs génétiques dont on connaît la fonction physiologique et dont on fait l’hypothèse qu’ils ont un effet sur le trait étudié. Si le trait est significativement plus souvent présent chez les individus possédant les marqueurs génétiques, l’hypothèse est validée.

68 Guo et al. (2008) étudient le nombre de partenaires sexuels comme comportement à risque parmi les jeunes hommes blancs. Ils montrent que le génotype 9R/9R exerce un effet protecteur, mais que cet effet tend à disparaître dans les établissements scolaires où la proportion d’élèves commençant à avoir des relations sexuelles précoces est plus élevée. Pescosolido et al. (2008) mettent en évidence que le risque de dépendance alcoolique des femmes est peu affecté par le gène GABRA2, et que cette influence génétique est atténuée par le soutien familial mais accentuée par la déprivation durant l’enfance.

69 Les études « gène candidat » souffrent d’un problème majeur, celui de la réplicabilité. En effet, la plupart des associations entre gènes et phénotypes mises en évidence n’ont pas pu être répliquées sur de nouvelles données. Cette non-réplicabilité est souvent expliquée par le manque de puissance statistique, qui serait à l’origine de « faux positifs » parmi les associations observées (Chabris et al., 2012).

70 Une autre faiblesse de cette approche est le problème de la « surabondance », autrement dit le fait que des phénotypes nombreux et divers ont été associés aux mêmes gènes. Charney et English (2012) montrent que quatre gènes (MAOA, 5-HTT, DRD2 et DRD4) sont à l’origine d’un grand nombre de travaux et recensent dans un tableau de 15 pages les phénotypes ayant été « expliqués » par l’un de ces gènes, de l’âge à la première relation sexuelle au comportement de vote, en passant par l’alcoolisme, le cancer colorectal, la créativité, l’appartenance à un gang, le syndrome de Tourette, l’ouverture d’esprit ou l’éjaculation prématurée. Une telle variété de phénotypes associés à ces quatre gènes montre que ces derniers portent finalement peu d’information sur les mécanismes biologiques susceptibles de véritablement expliquer l’existence des phénotypes.

71 En outre, les études « gène candidat » sont le plus souvent réduites à de simples études d’association statistique, alors même que des méthodes plus avancées existent pour tester des modèles génétiques (Clerget-Darpoux et al., 1988).

1. De l’association statistique aux mécanismes

73 Tout d’abord, le fossé est immense entre un « hit » et son interprétation biologique, i.e. entre l’identification d’un SNP associé au trait et la compréhension des mécanismes produisant le trait. Cela est valable en médecine et a fortiori en sociologie et en démographie, où le chemin qui mène des gènes au phénomène étudié est sans doute plus long et sinueux. Combler un tant soit peu ce fossé nécessiterait l’usage et la combinaison de données et de méthodes variées (Bourgain et al., 2007).

74 Certes, dans quelques cas, les gènes identifiés par les sociogénomistes ont des fonctions biologiques déjà connues. C’est le cas de certains gènes statistiquement associés aux comportements de fécondité, dont on sait qu’ils sont biologiquement associés à des processus liés à la fécondité, comme la croissance des ovaires, la production d’œstrogène ou la stimulation hormonale (Barban et al., 2016). Mais, outre le fait que ces résultats sont rares en sociogénomique et quelque peu tautologiques, on peut se demander s’ils ne représentent pas plus un progrès pour la biologie ou la médecine que pour la sociologie et la démographie. Par ailleurs, ils ne constituent qu’un tout petit pas vers la compréhension des mécanismes reliant les gènes, les autres composantes biologiques, les facteurs sociodémographiques et les processus étudiés (fécondité, réussite scolaire, etc.), qui semblent largement hors de portée à l’heure actuelle.

2. Purification des effets

75 Selon les sociogénomistes, la prise en compte de facteurs génétiques dans les modèles économétriques est susceptible d’éliminer les facteurs de confusion génétiques, pour obtenir des effets causaux des variables sociodémographiques plus « purs », moins biaisés, avec des écarts types réduits et, finalement, d’améliorer la « puissance prédictive » des modèles mobilisés en étude de la population, que ce soit en sociologie ou en démographie (Guo et al., 2008 ; Conley et al., 2014 ; Conley, 2016 ; Freese, 2018).

76 Dans une optique strictement prédictive, la prise en compte de données génomiques est légitime. Cependant, on constate que les performances prédictives des scores de risques polygéniques sont faibles. La plus-value est donc limitée. Certains sociogénomistes répondent à cette critique en pointant le fait que les facteurs sociodémographiques ont également de faibles performances prédictives. L’argument n’est guère convaincant, pour plusieurs raisons. Tout d’abord, certains facteurs sociodémographiques exercent en fait un effet majeur. Par exemple, chez les femmes, la durée des études influe très fortement sur l’âge au premier enfant : la corrélation est de 54 % aux États-Unis (Marini, 1984), quand le PGS explique moins de 1 % des variations de l’âge au premier enfant (Mills et al., 2018). De même, l’origine sociale pèse fortement sur la réussite scolaire : dans les pays l’OCDE, le nombre d’années d’études des parents explique environ 30 % des variations du nombre d’années d’études des enfants (OCDE, 2019), contre 2 % à 3 % pour le PGS (Conley et al., 2015). En outre, ces deux catégories de facteurs n’ont pas le même statut. Alors que le PGS, en tant que mesure d’une prédisposition génétique, est supposé capturer l’effet global de la génétique, voire de la nature par opposition à l’environnement, un facteur sociodémographique n’a pas la prétention de mesurer l’effet du « social », ni même d’une de ses dimensions. Il n’en est toujours qu’un indicateur partiel et imparfait [20].

77 Dans une optique explicative, l’intégration d’un PGS dans un modèle économétrique est problématique. Éliminer les facteurs de confusion génétiques et « purifier » l’effet de la variable explicative principale à l’aide d’un PGS implique de savoir précisément ce qui est « contrôlé » par le PGS. Or ce n’est pas le cas, en particulier du fait du biais de stratification de la population, qui fait que, lorsqu’on contrôle par une prédisposition génétique, on contrôle aussi en partie des facteurs sociodémographiques, sans que l’on puisse connaître leur nature ni l’ampleur du problème.

78 Par ailleurs, d’un point de vue méthodologique, les techniques économétriques employées présentent de nombreuses limites, d’autant plus lorsqu’elles sont appliquées à des données génomiques. C’est par exemple le cas de la plus répandue d’entre elles, la randomisation mendélienne, qui adapte l’approche économétrique par variable instrumentale en utilisant une variable génétique comme instrument, et peine à respecter les hypothèses statistiques du modèle [21] (Davey Smith et Ebrahim, 2003 ; Nitsch et al., 2006 ; Mills et Tropf, 2020).

79 De plus, ces usages se placent uniquement dans le cadre étroit de la « réalité unilinéaire générale » décrite et critiquée par Andrew Abbott (1988), et d’un « positivisme instrumental » [22] selon lequel il existerait un effet « réel » d’un facteur, dont la modélisation permettrait de s’approcher en le séparant des effets de tous les autres facteurs pour aboutir à sa mesure précise (voire exacte). Or les déterminants, loin de s’additionner, se combinent et s’articulent, formant des réseaux de facteurs qu’il est vain de vouloir isoler, dans le monde social (Bourdieu, 1979 ; Ragin, 2006) comme dans le domaine biologique (Moore, 2013). De plus, il n’existe aucun moyen de s’assurer de la pureté d’un effet, autrement dit du fait que l’on a bien contrôlé l’ensemble des facteurs pertinents.

80 On notera enfin qu’ici l’articulation entre génétique et sociologie/démographie se limite à l’instrumentalisation des données génétiques à des fins de mesure d’effets sociodémographiques.

3. Interactions gènes-environnement (GxE)

81 Pour articuler biologie et sociologie, les sociogénomistes soulignent très souvent l’intérêt majeur d’étudier les interactions entre gènes et environnement (GxE effects), afin d’analyser comment les effets sociaux sont médiés par les prédispositions génétiques (Guo et al., 2008 ; Conley, 2016 ; Freese, 2018). Certains sociogénomistes ont d’ailleurs fait un effort de théorisation des interactions entre gènes et environnement en conceptualisant différents idéaux-types d’interactions (Shanahan et Hofer, 2005 ; Boardman et al., 2013). Ainsi, le modèle d’activation contextuelle (diathesis-stress ou contextual triggering) suppose une prédisposition génétique qui reste à l’état latent jusqu’à son activation par un facteur environnemental, souvent négatif. Le modèle de susceptibilité différentielle suppose que certains individus sont plus sensibles que d’autres à certains facteurs environnementaux, positifs comme négatifs. Le modèle bioécologique (dit aussi de compensation sociale ou de distinction sociale) suppose que les influences génétiques sont maximales dans des environnements stables, souvent ceux des classes supérieures, permettant aux individus d’atteindre leur potentiel génétique. Le modèle de contrôle social (ou d’impulsion sociale) suppose que les influences génétiques sont filtrées ou médiées par certains facteurs environnementaux comme les normes sociales ou les contraintes structurelles.

82 Cependant, on peut se demander ce qu’une reprise du terme d’« environnement » sans vigilance épistémologique produit sur la construction des objets sociologiques. Dans le modèle polygénique additif, l’environnement est tout ce qui n’est pas génétique. Dans le contexte de l’épidémiologie, l’environnement fait plutôt référence à des facteurs de risque (alimentation, pollution, etc.). Chez les sociogénomistes, l’environnement semble synonyme du « social ». La reprise du terme sans travail conceptuel conduit donc à regrouper sous un même vocable des processus sociaux d’une grande diversité.

83 Par ailleurs, en pratique, les sociogénomistes étudient plus souvent comment l’environnement modifie l’effet des gènes (i.e. le social pour mieux comprendre les mécanismes génétiques) [23] que le contraire. Stricto sensu, il ne s’agit donc pas de mettre la génétique au service d’une meilleure compréhension des phénomènes sociaux.

84 Enfin, l’objectivation des interactions entre gènes et environnement est généralement très simpliste :

86 Or, d’un point de vue strictement statistique, la mise en évidence d’interactions GxE souffre de nombreuses limites, comme le manque de puissance statistique ou la sensibilité aux échelles de mesure de l’environnement et aux facteurs de confusion (Domingue et al., 2020 ; Mills et Tropf, 2020). Mais surtout, on ne modélise jamais des interactions complexes, d’ordres élevés, dynamiques, rétroactives, etc. La présence ou l’absence d’interactions statistiques entre gènes et environnements ne nous apprennent rien sur les interactions réelles, « physiques », entre les gènes et leurs contextes (Moore, 2018), qui sont omniprésentes et de plus en plus étudiées, notamment en épigénétique (Gottlieb, 2003). Les approches par « partitionnement de la variation » et par « élucidation des mécanismes » sont totalement distinctes, ce qui est à l’origine de bien des débats et incompréhensions depuis les origines de la génétique quantitative (Tabery, 2015).

87 Finalement, alors même que c’est là que se situe le cœur de l’articulation entre le biologique et le social chez les sociogénomistes, leurs travaux réduisent les interactions à l’abstraction de leur définition économétrique, ce qui, au bout du compte, conduit à reproduire un dualisme simpliste entre nature et culture.

4. Aide à la décision et politiques publiques

88 On notera, pour finir, que la possibilité pour l’information génétique de fournir une aide à la décision pour les politiques publiques (ciblage des populations à risque, etc.), sur le modèle de la médecine dite « personnalisée », est parfois évoquée par les sociogénomistes (Conley et al., 2014 ; Baier et Van Winkle, 2020) [24].

89 Conley et Fletcher (2017) relaient ainsi les théories selon lesquelles l’héritabilité constituerait, dans une société donnée, un indicateur de justice sociale. Par exemple, une faible héritabilité de la réussite scolaire indiquerait un contexte où le potentiel génétique de la population ne se réaliserait pas (ou mal), car des facteurs sociaux seraient responsables des différences de réussite. Or on a vu les problèmes insurmontables que présente l’utilisation de l’héritabilité en génétique humaine. On peut ajouter que les sciences sociales ne manquent pas de mesures d’inégalités, qui ne nécessitent pas de recourir à des données génétiques.

90 Mais surtout, Conley et Fletcher (2017) défendent l’idée que l’étude des interactions entre gènes et environnements permet d’identifier des différences d’impact des politiques publiques selon les prédispositions génétiques des bénéficiaires, ce qui permettrait de mieux cibler ces politiques. Les progrès de la médecine personnalisée sont bien moins rapides que prévu, du fait notamment de la complexité de l’architecture génétique de la plupart des maladies. Les PGS sont parfois utilisés pour essayer de cibler des personnes à risque, mais en complément d’autres informations [25]. Certains auteurs recommandent une grande prudence dans l’interprétation et l’utilisation des résultats [26], ainsi que la mise en balance des risques et des bénéfices dans le cas des prédictions cliniques (Rosenberg et al., 2018 ; Barton et al., 2019 ; Baverstock, 2019). L’apport des GWAS, surtout au regard des investissements massifs dont elles font l’objet, est très discuté, et parfois considéré comme à peu près nul (Paneth et Vermund, 2018) [27]. On imagine donc sans mal que les retombées des GWAS ne soient pas plus positives pour l’étude des comportements sociaux, dont le lien avec les gènes est sans doute plus distendu et complexe. Et, de fait, le souhait de voir les PGS guider les politiques éducatives en identifiant des populations-cibles est à l’heure actuelle totalement irréaliste, en particulier parce que les performances prédictives des PGS en matière d’éducation sont bien trop faibles (Angers et al., 2019).