Comment un chercheur utilise Codex et ChatGPT pour trouver de nouvelles molécules antimicrobiennes

Les microbes résistants aux médicaments, notamment les bactéries, les champignons, les parasites et les virus, constituent une menace mondiale croissante. Environ cinq millions de décès en 2021 ont été associés⁠(ouverture 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 est l’une des plus grandes menaces existentielles qui pèsent sur l’humanité », a déclaré César de la Fuente⁠(ouverture dans une nouvelle fenêtre), bio-ingénieur dont le laboratoire interdisciplinaire recherche des candidats antimicrobiens. « Et 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 substances chimiques connues. Mais cette approche offre des rendements décroissants.

Le laboratoire de De la Fuente part d’un terrain bien 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, ressemblent en quelque sorte à un alphabet », a déclaré de la Fuente. « Considérer la biologie comme de l’information nous a permis de développer 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 jeux de données génomiques et protéiques à la recherche d’antimicrobiens potentiels. Cette approche peut réduire de plusieurs années à quelques heures la recherche initiale de molécules candidates.

En complément de ses propres modèles d’IA, le laboratoire utilise ChatGPT et Codex pour réfléchir à des hypothèses, écrire et améliorer du code, traiter des jeux de données, analyser les résultats et relier des idées issues de différentes disciplines scientifiques.

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

Les scientifiques recherchent depuis longtemps 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, puis les testent au cours d’un processus itératif qui peut prendre des années.

Les bases de données numériques sur les génomes et les protéines permettent désormais aux scientifiques de rechercher de nouveaux composés dans tout l’arbre du vivant, élargissant considérablement l’éventail des données disponibles pour l’exploration. Mais cette abondance d’informations pose ses propres défis : trouver des signaux prometteurs parmi un nombre considérable de possibilités.

L’IA est particulièrement adaptée à cette recherche d’une aiguille dans une botte de foin. Elle peut analyser d’immenses jeux de données, repérer des motifs difficiles à détecter pour les chercheurs et sélectionner un nombre raisonnable de candidats à soumettre à des essais expérimentaux.

Mais l’identification d’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 pour être efficace et tester ses effets sur les cellules humaines. Les chimistes peuvent ensuite l’optimiser afin d’améliorer son efficacité, sa sécurité ou sa 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 manière 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 proposés 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 valider les prédictions de l’IA », a-t-il déclaré. « Cela sera crucial pour les sciences de la vie dans les années à venir 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. L’exploration de ces génomes, la compréhension de la formation et du fonctionnement des protéines qu’ils codent, ainsi que la détermination du rôle de ces molécules exigent 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 inversement. Codex et ChatGPT contribuent 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 barrières entre les disciplines scientifiques.

Il aide les membres du laboratoire à étudier les sujets qu’ils connaissent mal mais dont ils ont besoin pour leurs travaux interdisciplinaires, 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 jeux de données génomiques. ChatGPT permet également aux membres du laboratoire de travailler dans leur langue maternelle, réduisant ainsi les obstacles pour accélérer leurs processus de travail.

De la Fuente utilise ChatGPT comme partenaire de réflexion. Il continue à développer des idées avec ses collègues, mais apprécie la capacité de l’IA à l’aider à formuler une hypothèse. Il apprécie aussi de pouvoir accéder aux informations du monde entier d’un simple clic.

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

Mais il met en garde contre une dépendance exclusive à l’IA. « Évidemment, il faut toujours vérifier l’exactitude des informations », 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 avancées décisives attendent d’être découvertes. Elles se trouvent essentiellement aux frontières entre les domaines, là où très peu de personnes s’aventurent. »

Il considère ces travaux comme s’inscrivant dans une tradition scientifique bien plus ancienne. « Nous nous sommes toujours appuyés 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 désormais les chercheurs à comprendre, prédire et concevoir la biologie. « C’est précisément l’objet de nos travaux », a-t-il déclaré.