Comment un chercheur utilise Codex et ChatGPT pour trouver de nouveaux antimicrobiens

Les microbes résistants aux médicaments, notamment les bactéries, les champignons, les parasites et les virus, représentent une menace mondiale croissante. Environ cinq millions de décès en 2021 étaient associés⁠(s'ouvre dans une nouvelle fenêtre) à la résistance bactérienne aux antimicrobiens — un bilan annuel qui devrait à peu près doubler d’ici 2050. Trouver des molécules susceptibles de devenir des antimicrobiens peut prendre des années. Les chercheurs utilisent l’IA pour accélérer cette première étape de la découverte.

« À mon avis, la résistance aux antimicrobiens constitue l’une des plus grandes menaces existentielles pour l’humanité », a déclaré César de la Fuente⁠(s'ouvre dans une nouvelle fenêtre), un bioingénieur dont le laboratoire interdisciplinaire recherche des agents antimicrobiens candidats. « Pourtant, aucune nouvelle classe d’antibiotiques n’a vu le jour depuis 50 ans. »

Une grande partie du développement moderne des antimicrobiens consiste à modifier des médicaments existants ou à explorer des classes de produits chimiques déjà connues. Mais cette approche produit des résultats de plus en plus limités.

Le laboratoire de De la Fuente commence dans un territoire beaucoup moins exploré : le code de la vie. L’idée centrale de ces travaux est que la biologie constitue un système d’information. « Les nucléotides qui composent l’ADN ainsi que les acides aminés qui composent les protéines et les peptides forment en quelque sorte un alphabet », a déclaré de la Fuente. « Envisager la biologie comme de l’information nous a permis de mettre au point des méthodes capables de commencer à déchiffrer les principes d’organisation de la vie qui ont donné naissance à une molécule fonctionnelle. »

Les modèles d’apprentissage profond du laboratoire sont entraînés à reconnaître des motifs dans les séquences biologiques, ce qui leur permet d’explorer de vastes ensembles de données génomiques et protéiques à la recherche d’antimicrobiens potentiels. Cette approche peut faire passer de plusieurs années à quelques heures la recherche initiale de molécules candidates.

En plus de ses propres modèles d’IA, le laboratoire utilise ChatGPT et Codex pour trouver des hypothèses, écrire et améliorer du code, traiter des ensembles de données, analyser les résultats et établir des liens entre différentes disciplines scientifiques.

Seule une fraction d’un génome possède une fonction clairement comprise, et une fraction encore plus petite code des molécules capables de combattre les microbes infectieux. Le défi consiste à repérer les motifs qui rendent une molécule fonctionnelle, ou biologiquement active, puis à déterminer quelles molécules pourraient combattre les microbes infectieux.

Depuis longtemps, les scientifiques recherchent des antimicrobiens dans les plantes, les animaux, les microbes, les insectes, l’eau et le sol. Ils recueillent des échantillons, isolent ou prédisent des molécules candidates et les testent selon un processus itératif qui peut prendre des années.

Les bases de données numériques sur les génomes et les protéines permettent maintenant aux scientifiques de rechercher de nouveaux composés dans tout l’arbre du vivant, ce qui élargit considérablement l’éventail des données pouvant être explorées. Mais cette abondance d’information comporte ses propres défis : repérer les signaux prometteurs parmi un nombre immense de possibilités.

L’IA convient particulièrement bien à cette tâche qui revient à chercher une aiguille dans une botte de foin. Elle peut parcourir d’immenses ensembles de données, repérer des motifs qui échapperaient aux chercheurs et établir un ordre de priorité parmi un nombre gérable de candidats à soumettre à des essais expérimentaux.

Toutefois, repérer un candidat prometteur ne signifie pas nécessairement qu’il deviendra un médicament efficace.

Les scientifiques doivent d’abord confirmer qu’une molécule candidate tue le microbe ciblé, déterminer la quantité nécessaire à son efficacité et vérifier ses effets sur les cellules humaines. Les chimistes peuvent ensuite l’optimiser afin d’en améliorer l’efficacité, l’innocuité ou la stabilité.

D’autres essais évaluent la dose à laquelle le candidat devient toxique, la facilité avec laquelle les microbes développent une résistance à la molécule et la façon dont le candidat se déplace dans l’organisme. Les équipes déterminent également une méthode fiable pour fabriquer la molécule. Les candidats qui franchissent ces obstacles doivent encore faire l’objet d’un examen réglementaire et d’essais cliniques avant de pouvoir être offerts aux patients comme médicaments antimicrobiens approuvés.

Pour de la Fuente, c’est pourquoi l’IA et la biologie de laboratoire doivent progresser ensemble. « Les expériences de référence sont essentielles pour confirmer les prédictions de l’IA », a-t-il déclaré. « Ce sera essentiel pour les sciences de la vie au cours des prochaines années si nous voulons continuer à effleurer la surface de notre compréhension de la biologie, qui est ce qu’il y a de plus complexe. »

Son laboratoire explore les génomes d’organismes vivants et disparus à la recherche de molécules candidates. Explorer ces génomes, comprendre comment les protéines qu’ils codent se forment et fonctionnent, puis déterminer le rôle de ces molécules exige une expertise couvrant plusieurs domaines.

« Notre groupe est hautement transdisciplinaire : il réunit des spécialistes de la biologie, de la chimie, de l’informatique et de l’ingénierie », a déclaré de la Fuente. Certains membres du laboratoire sont d’excellents programmeurs, mais connaissent moins bien la biologie ou la chimie, et vice versa. Codex et ChatGPT aident à combler ces lacunes, permettant aux biologistes de créer des programmes et aux programmeurs de s’attaquer à des problèmes biologiques. En ce sens, l’IA réduit les obstacles entre les disciplines scientifiques.

Il aide les membres du laboratoire à se familiariser avec les sujets nécessaires à leur travail interdisciplinaire, à clarifier la terminologie, à comparer les méthodes de différents domaines et à organiser leurs idées pour la découverte de médicaments. D’autres utilisent l’IA pour télécharger, organiser et prétraiter de vastes ensembles de données génomiques. ChatGPT permet aussi aux membres du laboratoire de travailler dans leur langue maternelle, ce qui réduit les obstacles et accélère leurs processus de travail.

De la Fuente utilise ChatGPT comme partenaire de remue-méninges. Il continue à développer ses idées avec ses collègues, mais il apprécie la capacité de l’IA à l’aider à formuler une hypothèse. Il aime aussi pouvoir accéder à l’information mondiale d’un simple clic.

« Notre espace de travail ChatGPT reçoit les commentaires de toutes ces personnes qui réfléchissent différemment aux problèmes que nous tentons de résoudre », a déclaré de la Fuente. Les membres du laboratoire lui soumettent leurs bonnes et leurs mauvaises idées, ce qui en fait une sorte de caisse de résonance collaborative.

Il met toutefois en garde contre le fait de s’en remettre uniquement à l’IA. « Il faut évidemment toujours revérifier l’exactitude des résultats », a déclaré de la Fuente.

Il apprécie néanmoins la capacité de l’IA à aider les chercheurs à explorer les frontières entre les disciplines scientifiques. « C’est là que les percées attendent d’être découvertes. Elles se trouvent essentiellement aux frontières entre les domaines, là où très peu de gens s’aventurent. »

Il considère ce travail comme faisant partie d’une tradition scientifique beaucoup plus ancienne. « Nous avons toujours compté sur des outils et des machines pour comprendre le monde qui nous entoure », a déclaré de la Fuente. « Le télescope a éclairé le cosmos et le microscope a révélé le monde de l’invisible. » Les machines aident maintenant les chercheurs à comprendre, à prédire et à concevoir la biologie. « C’est précisément l’objet de notre travail », a-t-il déclaré.