C’est l’un des plus grands défis de la chimie moderne : découvrir et développer de nouvelles molécules. Des nouveaux médicaments aux matériaux plus durables, tout dépend de la découverte de nouvelles combinaisons d’atomes aux propriétés utiles. Ces dernières années, un « game changer » s’est lancé dans ce défi : l’intelligence artificielle. Le mois dernier, pour donner un exemple, une équipe d’une université espagnole, l’Universitat Rovira i Virgili (URV) de Tarragone, a annoncé dans la revue scientifique « Nature Machine Intelligence » avoir développé un outil d’IA capable de générer des millions de nouvelles molécules qui, bien qu’encore inconnues de la science, respectent les lois de la chimie et pourraient offrir des opportunités sans précédent.
La description de ce système – appelé CoCoGraph, sorte de ChatGpt de molécules – donne une idée de l’immensité du scénario qui s’ouvre : même lorsqu’il est doté d’une seule formule moléculaire, par exemple celle du paracétamol, il est capable de construire un grand nombre de combinaisons atomiques. L’énormité du nombre de nouvelles molécules possibles « est estimée à 10⁶⁰ », un nombre « bien supérieur à celui des molécules d’eau présentes dans l’océan – a expliqué Roger Guimerà du Département de Génie Chimique de l’Urv, l’un des experts qui ont dirigé la recherche – Au contraire, le nombre de molécules connues ne représente qu’une infime fraction de ce chiffre ». Cette immensité des combinaisons possibles « signifie que trouver celles qui sont réellement utiles, c’est comme chercher une aiguille dans une botte de foin géante ». Pour l’instant, la technologie développée par les scientifiques ne constitue donc qu’une première étape. Mais en cas de succès, elle pourrait véritablement transformer des secteurs tels que la chimie, la pharmacologie et la science des matériaux, en accélérant la découverte de nouvelles solutions dans un univers chimique encore pratiquement inexploré.
Si dans ce cas nous parlons de l’avenir, les aventures d’IA dans le domaine pharmaceutique sont déjà une réalité, comme le démontre le cas du vaccin universel créé par AI pour protéger contre divers sarbécovirus, un grand groupe de virus présents dans la nature parmi lesquels figure également le Sars-CoV-2, responsable de la pandémie de Covid-19. Ce vaccin, développé par l’Université de Cambridge avec sa société dérivée DIOSynVax, s’est avéré sûr dans un essai mené sur 39 volontaires sains. Et c’est la première fois, expliquent les auteurs de l’étude publiée dans le ‘Journal of Infection’, qu’un vaccin dont le composant actif a été entièrement conçu grâce à des simulations informatiques est testé sur des humains. Ce n’est cependant pas la première fois que l’IA provoque un tournant dans la recherche de nouvelles molécules. L’un des défis auxquels elle a été confrontée est la recherche d’armes innovantes pour lutter contre l’urgence mondiale des superbactéries résistantes : pensez par exemple aux travaux du MIT (Massachusetts Institute of Technology) dans lesquels l’IA a conçu atome par atome deux nouveaux antibiotiques potentiels qui, dans des tests en laboratoire et sur des modèles animaux, se sont révélés capables de tuer la bactérie gonorrhée résistante aux médicaments et un Staphylococcus aureus multirésistant (SARM). Ces composés devront continuer à être perfectionnés et testés, mais ils montrent déjà comment l’IA pourrait ouvrir la voie à un « deuxième âge d’or » dans la découverte des antibiotiques, disent les experts.
Et tout récemment, l’IA a été déployée dans la recherche de nouvelles armes pharmacologiques contre l’espèce rare du virus Ebola Bundibugyo qui affecte la République démocratique du Congo (RDC), avec des cas également en Ouganda : au Texas, au Southwest Research Institute (SwRI), un dépistage virtuel a en effet été réalisé qui a permis d’identifier une vingtaine de composés antiviraux susceptibles d’avoir un effet potentiel sur l’agent pathogène. La promesse de l’IA est de bouleverser les paradigmes, comme celui sur lequel repose aujourd’hui la découverte de médicaments, qui commence par une cible moléculaire connue, une protéine dont la modulation devrait inverser le cours d’une maladie. Le problème est que dans de nombreuses pathologies, une telle cible n’existe pas toujours ou n’a pas toujours été suffisamment définie. Ces derniers jours, le Laboratoire de bioinformatique structurale et biologie des réseaux de l’IRB de Barcelone, dirigé par Patrick Aloy, a proposé une nouvelle stratégie pour concevoir des molécules non pas basées sur une protéine spécifique, mais basées sur l’effet que l’on souhaite induire dans les cellules. Pour tester la méthodologie, l’équipe a utilisé plusieurs modèles cellulaires, notamment des lignées dérivées de tumeurs pancréatiques et des cellules témoins. « Pour la première fois – a expliqué Aloy – nous avons conçu de nouvelles entités chimiques en utilisant l’intelligence artificielle, en fonction de l’effet biologique que nous voulions obtenir, et nous avons démontré expérimentalement qu’elles fonctionnent sur des cellules spécifiques ». Les molécules conçues par l’IA ont non seulement démontré une activité supérieure à celles obtenues grâce à des stratégies de criblage conventionnelles, mais nombre d’entre elles se sont également révélées structurellement innovantes et distinctes des composés chimiques connus.
Nouvelles découvertes dans le monde des protéines
Ces dernières années, l’intelligence artificielle a ouvert une fenêtre sans précédent sur le monde des protéines, comme l’a démontré le prix Nobel de chimie 2024 décerné aux chercheurs d’AlphaFold, le projet Google DeepMind qui, grâce à l’IA, a pu prédire la structure 3D des protéines, un défi auquel les scientifiques sont confrontés depuis des décennies. Cette avancée était cruciale pour le monde de la médecine, car de nombreuses voies de découverte de médicaments et d’anticorps se concentrent précisément sur les protéines de la membrane cellulaire, caractérisées par une structure complexe. Lorsque les molécules d’un médicament potentiel se lient à ces protéines, comme une clé s’insérant dans une serrure, elles déclenchent des cascades chimiques qui modifient le comportement cellulaire. Par conséquent, comprendre comment les protéines se replient et se déplacent est essentiel au développement de médicaments.
Et de 2024 à aujourd’hui, l’IA est allée encore plus loin que les réalisations d’AlphaFold. Si en fait ce système, comme la plupart de ceux disponibles, se concentre sur la production d' »instantanés » statiques de protéines, une équipe de scientifiques de l’Ecole Polytechnique Fédérale de Lausanne (Epfl) a réussi à en développer un qui produit des ensembles structuraux complets, au niveau atomique, des protéines et de leurs mouvements. « Les protéines sont comme de minuscules machines qui dansent et s’allument et s’éteignent pour fonctionner, mais générer ce ‘film’ dans les moindres détails était un problème non résolu », a expliqué Aditya Sengar, chercheur au Laboratoire d’ingénierie des protéines et des cellules, qui a travaillé sur le projet. Et le nouveau cadre développé désormais « ouvre la voie à la conception de nouveaux médicaments ciblant le comportement dynamique d’une protéine, pas seulement sa forme », a ajouté Patrick Barth, l’un des experts qui ont dirigé les travaux.
Pour revenir du futur au présent, l’IA identifie de nouvelles missions pour les anciens médicaments (drug repurposing), accélérant la découverte de nouveaux composés à tester et améliorant les processus de conception pharmaceutique, parvenant également à réduire le nombre d’expériences sur les animaux nécessaires pour atteindre l’objectif. Selon les experts du Fossc, un Forum qui rassemble 75 sociétés scientifiques de cliniciens hospitaliers et universitaires italiens, l’application de l’intelligence artificielle « peut réduire les coûts de développement d’un médicament de 25% » et réduire « de 40% le temps global de création d’une nouvelle thérapie ». l’opération s’élève à plus de 2 milliards d’euros ».
Potentiel et importance des données
Les domaines dans lesquels l’aide de l’IA pourrait être exploitée sont véritablement illimités. Pensez à la plus grande « pharmacie » dont nous disposons : la nature, un patrimoine de substances médicinales encore largement inexploré. Il y a quelques années déjà, une équipe de chercheurs de l’ETH Zurich avait démontré avec succès comment les méthodes deL’intelligence artificielle peut être utilisée de manière ciblée pour identifier de nouvelles applications pharmaceutiques pour les produits naturels. Et il y a encore beaucoup à découvrir, si l’on considère qu’en plus des organismes terrestres, il existe des organismes marins et que dans les océans du monde, qui couvrent environ 71 % de la planète, seulement moins de 5 % des fonds marins ont été explorés d’une manière ou d’une autre et moins de 0,01 % des fonds marins ont été échantillonnés en détail.
Même pour les herbes médicinales chinoises, qui constituent depuis longtemps la base de la médecine traditionnelle chinoise et ont produit des molécules fondamentales telles que l’artémisinine antipaludique, une approche basée sur l’IA a été envisagée pour accélérer le dépistage et la découverte de médicaments innovants, comme l’expliquent les experts de l’Institut de médecine radiologique de Pékin (Beijing) dans une étude.
Mais dans chacun de ces projets, la qualité des données fera toujours la différence, comme le suggère Pierre Vandergheynst, l’un des scientifiques qui ont travaillé sur le système Ai pour générer des modèles complets de protéines en mouvement. « Beaucoup pensent qu’alimenter les modèles d’IA avec des ensembles de données massifs résoudra automatiquement les problèmes scientifiques ou remplacera les chercheurs. Cependant, une grande partie de ces données sont bruitées ou mal évaluées. Nous avons besoin de scientifiques humains pour produire les données propres et les critères de référence rigoureux dont l’IA a besoin, tout comme nous avons besoin de journalistes pour nous protéger de la désinformation. «
