Un nouvel outil d'IA conçoit des médicaments médicaux et raconte aux scientifiques comment les fabriquer
Des chercheurs de l'Université Simon Fraser ont dévoilé un cadre d'intelligence artificielle qui pourrait transformer le développement de médicaments et accélérer la découverte de nouveaux médicaments.
Dans une percée potentielle pour les soins de santé, la nouvelle étude présente une méthode innovante qui aborde l'un des défis les plus persistants de l'industrie pharmaceutique – comment concevoir et faire des molécules de médicaments efficaces. L'œuvre est publiée sur le arxiv serveur de préimprimée.
Pendant des années, les outils d'IA se sont montrés très prometteurs dans la conception de structures moléculaires complexes qui peuvent, en théorie, interagir avec les cibles de la maladie. Pourtant, bon nombre de ces molécules « parfaites » s'avèrent impossibles à fabriquer dans des laboratoires du monde réel.
On espère que ce nouveau processus pourrait réduire considérablement le temps nécessaire pour découvrir et fabriquer des médicaments utilisés pour traiter les maladies courantes, comme le cancer.
Martin Ester, professeur de sciences informatiques à SFU, a déclaré: « Le développement d'un nouveau médicament est un processus extrêmement long et coûteux. En règle générale, les gens disent toujours qu'il faut 10 ans et 1 milliard de dollars USD pour mettre un nouveau médicament sur le marché. Notre espoir est que notre méthode raccourcira considérablement ce processus de temps pour aider de nouveaux médicaments.
L'un des principaux défis de la conception de médicaments sur l'IA est la voie de synthèse – la capacité de proposer une recette chimique réaliste pour construire la molécule. Sans cela, même les molécules conçues par l'IA les plus prometteuses sont souvent rejetées, conduisant au temps et aux ressources gaspillées.
« La lutte contre la maladie commence par l'identification des protéines pathogènes », explique Tony Shen, SFU Ph.D. Étudiant et auteur principal du journal. « Dans le laboratoire, les modèles informatiques sont ensuite utilisés pour concevoir des molécules qui se lieront à la protéine pathogène de la maladie, la désactivant souvent et l'arrêt de son activité nocive. L'ensemble du processus est un peu comme essayer de concevoir une clé qui s'intégrera dans une serrure. »
La nouvelle méthode présentée dans l'étude, appelée CGFlow, introduit une approche à double conception qui permet à l'IA de modéliser simultanément la façon dont une molécule est construite et à quoi il ressemble dans l'espace 3D.
Cette combinaison est essentielle pour générer des molécules qui sont non seulement biologiquement efficaces mais aussi chimiquement possibles à produire.
« Nous avons développé une méthode d'apprentissage automatique qui garantit pratiquement que la molécule générée peut être créée par la synthèse chimique dans le monde réel », explique Ester. « Il s'agit d'un aspect extrêmement important pour traduire les résultats de ces modèles génératifs en applications pratiques. C'est très excitant. »
Au lieu de concevoir des molécules en une seule fois, CGFlow les assemble pas à pas, un peu comme la sculpture d'une statue en ajoutant un morceau d'argile à la fois. À chaque étape, l'IA apprend comment le nouveau composant modifie la forme globale et la fonction de la molécule, ce qui entraîne des conceptions plus précises et efficaces.
Le potentiel du modèle est déjà reconnu au-delà du laboratoire. Plusieurs entreprises envisagent d'adopter le cadre CGFlow pour la découverte de médicaments contre le cancer en phase de démarrage, offrant un nouvel espoir dans la lutte contre les maladies complexes.
« La prochaine étape consiste à apporter notre méthode à l'industrie afin qu'elle puisse être utilisée et améliorée. Nous sommes vraiment intéressés à travailler avec l'industrie pour évaluer et développer davantage CGFlow dans des applications pratiques », ajoute Ester.
L'étude a été présentée à la Conférence internationale sur l'apprentissage automatique 2025, à Vancouver.
