L'IA révèle des armes cachées contre les infections mortelles

Dans la recherche médicale, l’intelligence artificielle (IA) fait de plus en plus d’adeptes afin de résoudre des problèmes complexes. Une étude récente a utilisé une forme d’IA appelée apprentissage profond pour découvrir une classe de composés capables de tuer une bactérie résistante aux médicaments qui cause plus de 10 000 décès aux États-Unis chaque année.

Des chercheurs de l’Institut Wyss et du MIT ont montré que ces composés pouvaient tuer le Staphylococcus aureus résistant à la méthicilline (SARM) cultivé dans une boîte de Petri et dans deux modèles de souris infectées par le SARM.

Les composés ont également montré une très faible toxicité contre les cellules humaines, ce qui en fait de bons candidats pour les médicaments.

Une innovation clé de cette étude est que les chercheurs ont également pu déterminer quels types d’informations le modèle d’apprentissage profond utilisait pour faire ses prédictions de puissance antibiotique. Cette connaissance pourrait aider les chercheurs à concevoir des médicaments supplémentaires qui pourraient être encore plus efficaces que ceux identifiés par le modèle.

Comprendre le fonctionnement de l’IA

Les modèles d’apprentissage profond sont souvent considérés comme des «boîtes noires», c’est-à-dire qu’il est difficile de comprendre comment ils font leurs prédictions. Cependant, dans cette étude, les chercheurs ont réussi à « ouvrir la boîte noire » en adaptant un algorithme appelé recherche arborescente de Monte Carlo, qui a été utilisé pour rendre d’autres modèles d’apprentissage profond plus explicables.

Cet algorithme permet au modèle de générer non seulement une estimation de l’activité antimicrobienne de chaque molécule, mais aussi une prédiction des sous-structures de la molécule qui sont probablement responsables de cette activité.

Vers de nouveaux antibiotiques

En utilisant cette collection de modèles, les chercheurs ont examiné environ 12 millions de composés, tous disponibles commercialement. Ils ont repéré des composés de cinq classes différentes, basés sur des sous-structures chimiques au sein des molécules, qui étaient prédits pour être actifs contre le SARM.

Les chercheurs ont acheté environ 280 composés et les ont testés contre le SARM cultivé dans une boîte de Petri. Résultat : 2 composés de la même classe, qui semblaient être de très bons candidats pour les antibiotiques ont été identifiés.

En synthèse

Cette étude démontre le potentiel de l’IA, et plus précisément de l’apprentissage profond, dans la recherche de nouveaux antibiotiques. Les chercheurs ont non seulement identifié de nouveaux composés capables de tuer une bactérie résistante aux médicaments, mais ils ont également réussi à comprendre comment leur modèle d’IA faisait ses prédictions, ce qui pourrait aider à concevoir de futurs médicaments encore plus efficaces.

Pour une meilleure compréhension

Qu’est-ce que l’apprentissage profond ?

L’apprentissage profond est une sous-catégorie de l’intelligence artificielle qui imite le fonctionnement du cerveau humain dans le traitement des données et la création de modèles pour la prise de décision.

Qu’est-ce que le SARM ?

Le Staphylococcus aureus résistant à la méthicilline (SARM) est une bactérie qui résiste à de nombreux antibiotiques couramment utilisés pour traiter les infections staphylococciques ordinaires.

Comment l’IA peut-elle aider à trouver de nouveaux antibiotiques ?

L’IA peut analyser des millions de composés chimiques et prédire ceux qui pourraient avoir une activité antimicrobienne, ce qui accélère considérablement le processus de découverte de nouveaux antibiotiques.

Qu’est-ce que la recherche arborescente de Monte Carlo ?

La recherche arborescente de Monte Carlo est un algorithme utilisé pour rendre les modèles d’apprentissage profond plus explicables en générant des prédictions sur les sous-structures d’une molécule qui sont probablement responsables de son activité antimicrobienne.

Quels sont les prochains pas pour cette recherche ?

Les chercheurs prévoient de faire une analyse plus détaillée des propriétés chimiques et de l’utilisation clinique potentielle de ces composés. Ils travaillent également sur la conception de candidats médicamenteux supplémentaires basés sur les résultats de cette étude.