Tandis que le marché évolue, des informations opportunes font la différence → Recevez des mises à jour sur notre chaîne WhatsApp officielle.
Pendant des décennies, la découverte des antibiotiques a été le fruit du hasard. Alexander Fleming a découvert la pénicilline parce qu'un champignon a accidentellement contaminé une boîte de laboratoire.
Ce qui a suivi – des décennies d’exploration de substances naturelles, de tests massifs de composés, d’examen d’énormes bases de données chimiques – est resté, par essence, un pari systématique.
Des chercheurs de l’Université de Pennsylvanie viennent de proposer une logique complètement différente, et le changement de paradigme est plus profond que ne le suggèrent les gros titres.
De la recherche à l'amélioration
L'outil s'appelle ApexGO et a été publié le 13 mai dans Intelligence des machines naturelles. Contrairement à la plupart des systèmes d'IA appliqués à la recherche d'antibiotiques – qui criblent d'énormes bibliothèques de molécules à la recherche de candidats prometteurs – ApexGO part d'un petit ensemble de peptides déjà identifiés avec un certain potentiel antimicrobien et les améliore de manière itérative.
Il propose des modifications précises de sa structure, prédit si ces changements augmenteront l'activité contre les bactéries pathogènes et utilise ces prédictions pour guider la prochaine série de modifications. Il ne recherche pas, il optimise.
Le mécanisme technique derrière cette optimisation est la combinaison d'un modèle génératif avec l'optimisation bayésienne, un outil mathématique qui permet d'explorer d'immenses espaces de solutions en prenant des décisions éclairées au lieu d'essayer des options aléatoires.
Le système équilibre deux objectifs concurrents : exploiter des régions de l’espace moléculaire qui semblent déjà prometteuses et explorer des domaines moins connus où des améliorations cachées peuvent exister. C’est exactement le genre de raisonnement qui distingue un agent IA sophistiqué d’un moteur de recherche conventionnel.
Les chiffres qui soutiennent la thèse
Les résultats du laboratoire ont été concluants. 85 % des molécules conçues par ApexGO ont réussi à arrêter la croissance des bactéries pathogènes, et 72 % étaient plus efficaces que les peptides originaux sur lesquels le système était basé.
Deux de ces composés ont été testés sur des modèles animaux et ont réduit la charge bactérienne à des niveaux comparables à ceux de la polymyxine B, un antibiotique réservé aux cas de résistance extrême alors que les autres traitements ont déjà échoué.
Jacob Gardner, co-auteur de l'étude et spécialiste de l'optimisation bayésienne, a reconnu qu'il existait une inquiétude légitime : que le système puisse trouver des molécules qui fonctionnaient bien en simulation mais échouaient en conditions réelles n'était pas le cas. La plupart des candidats conçus par ordinateur ont également montré leur efficacité en laboratoire.
César de la Fuente, chercheur principal du projet, a proposé une perspective qui va au-delà du résultat immédiat. Son équipe a dirigé ApexGO pendant quelques mois et a généré des centaines de candidats. La question qu’elle pose est directe : si des centaines apparaissaient à cette époque, combien de milliers pourrait-on en trouver en une année de fonctionnement continu ?
Le principe qui change les règles
Le plus important à propos d’ApexGO n’est pas qu’il ait produit des molécules prometteuses. Cela montre que l’IA peut faire plus que prédire quelles molécules pourraient fonctionner : elle peut les améliorer activement.
Cette distinction est importante car le même principe – un système qui itère, apprend de chaque modification et navigue dans des espaces trop vastes pour l’exploration humaine – est transférable. De la Fuente lui-même le souligne dans l'article : l'approche pourrait être appliquée à des peptides ayant d'autres fonctions biologiques, comme la modulation du système immunitaire ou le traitement des tumeurs.
Le laboratoire de Gardner explore déjà des variantes avec des agents d'IA capables de raisonner de manière plus autonome sur les décisions de conception moléculaire.
La résistance aux antimicrobiens est une crise silencieuse qui progresse alors que l’arsenal thérapeutique disponible s’épuise.
ApexGO n'est pas encore un médicament ni une solution clinique : les composés identifiés nécessitent des années supplémentaires de validation avant d'atteindre les patients. Mais cela démontre que l’IA peut changer la logique du problème : au lieu d’attendre de trouver ce dont nous avons besoin, construisons activement pour y parvenir.
En rapport
Voir l’article original en espagnol
