Des chercheurs du MIT ont utilisé des modèles d'apprentissage profond pour découvrir la première nouvelle classe d'antibiotiques depuis des décennies. Les antibiotiques qui en résultent pourraient permettre de lutter contre les bactéries résistantes aux médicaments.
Lorsque Alexander Fleming a découvert la pénicilline, le premier antibiotique au monde, il était conscient des dangers qui y étaient associés.
Dans son discours d'acceptation du prix Nobel en 1945, Fleming a déclaré : "Ensuite, il y a le danger que l'homme ignorant puisse facilement se sous-doser et, en exposant ses microbes à des quantités non mortelles du médicament, les rendre résistants".
Au fur et à mesure de la mise au point de nouveaux antibiotiques, les bactéries qu'ils ciblaient sont devenues progressivement résistantes à ces médicaments auparavant efficaces, en raison d'une mauvaise utilisation et de prescriptions erronées.
L'équipe que Jim Collins dirige à la Le laboratoire Collins au MIT a lancé le projet Antibiotics-AI en 2020 pour remédier à ce problème. Ce projet, qui s'étale sur sept ans, vise à mettre au point sept nouvelles classes d'antibiotiques pour traiter sept des bactéries pathogènes les plus mortelles au monde.
Leurs efforts en matière d'apprentissage automatique ont commencé à porter leurs fruits. leur document ont annoncé leur découverte d'une nouvelle classe d'antibiotiques capables de tuer les bactéries Staphylococcus aureus résistantes à la méthicilline (SARM). Les infections à SARM résistantes aux médicaments tuent jusqu'à 10 000 personnes chaque année rien qu'aux États-Unis.
Les entreprises pharmaceutiques n'orientent pas beaucoup leurs recherches vers les antibiotiques, car ce secteur n'est pas aussi lucratif que d'autres médicaments. Il est également devenu de plus en plus difficile de découvrir de nouveaux antibiotiques. L'IA vient de rendre les choses beaucoup plus faciles.
Modèles d'apprentissage profond
Le défi que pose la création d'un nouvel antibiotique est qu'il existe une infinité d'arrangements moléculaires et qu'il est difficile de savoir lequel d'entre eux tuera une bactérie spécifique. Pour compliquer les choses, les chercheurs doivent s'assurer que le nouveau composé ne tue pas non plus les cellules saines.
L'équipe du MIT a créé une base de données de 39 000 composés différents et de leurs effets sur le staphylocoque doré. Ils ont également intégré la cytotoxicité des composés en suivant les effets qu'ils ont sur les cellules humaines du foie, des muscles squelettiques et des poumons.
Des informations sur les structures chimiques des composés ont également été ajoutées à l'ensemble de données, qui a ensuite été utilisé pour former un modèle d'apprentissage profond de l'IA.
Sur la base du vaste ensemble de données, le modèle a été en mesure d'apprendre quelles structures chimiques étaient les plus susceptibles de tuer les bactéries tout en évitant les effets néfastes sur les cellules saines.
Une fois formé, le modèle d'IA a été utilisé pour passer au crible 12 millions de composés disponibles dans le commerce. Le modèle a identifié des molécules de cinq classes différentes qui, selon lui, tueraient la bactérie MRSA.
Sur la base de cette liste considérablement réduite de composés candidats, les chercheurs ont obtenu 280 composés à tester contre les bactéries MRSA cultivées en laboratoire. Leurs tests ont permis de découvrir que deux des composés réduisaient le SARM d'un facteur 10.
L'IA explicable
Les modèles d'IA nous donnent souvent des réponses utiles, mais ils peuvent être des boîtes noires impénétrables, qui ne nous permettent pas de comprendre comment ils parviennent à la réponse.
Felix Wong, postdoc au MIT et à Harvard et l'un des principaux auteurs de l'étude avec Erica Zheng, a déclaré : "Ce que nous avons voulu faire dans cette étude, c'est ouvrir la boîte noire. Ces modèles consistent en un très grand nombre de calculs qui imitent les connexions neuronales, et personne ne sait vraiment ce qui se passe sous le capot".
Comprendre ce qui a conduit le modèle à sélectionner les composés qu'il a choisis donnerait aux chercheurs une meilleure idée de l'endroit où chercher des médicaments plus efficaces. L'équipe de recherche a utilisé un algorithme de recherche arborescente Monte Carlo adapté pour se faire une idée du processus décisionnel de leur modèle d'apprentissage profond.
Le Dr Collins explique : "L'idée était de voir ce que les modèles apprenaient pour prédire que certaines molécules feraient de bons antibiotiques".
Outre le MIT, la recherche a également bénéficié de contributions du Broad Institute, d'Integrated Biosciences, du Wyss Institute for Biologically Inspired Engineering et du Leibniz Institute of Polymer Research de Dresde, en Allemagne.
L'utilisation de l'IA pour passer au crible des millions d'arrangements chimiques potentiels a un impact massif sur les activités de l'UE. découverte de médicaments. Pour le laboratoire Collins, il s'agit d'un cas de "un de moins, six de plus" et il semble que leur projet de sept ans puisse avoir du temps à perdre.
