Imaginez que vous êtes un chasseur de fossiles. Vous passez des mois dans la chaleur de l’Arizona à déterrer des os pour découvrir que ce que vous avez découvert provient d’un dinosaure découvert précédemment.
C’est ainsi que la recherche d’antibiotiques s’est récemment révélée fructueuse. Les chasseurs d’antibiotiques, relativement peu nombreux, continuent de trouver les mêmes types d’antibiotiques.
Avec l’augmentation rapide de la résistance aux médicaments chez de nombreux agents pathogènes, de nouveaux antibiotiques sont désespérément nécessaires. Ce n’est peut-être qu’une question de temps avant qu’une blessure ou une éraflure ne devienne mortelle. Pourtant, peu de nouveaux antibiotiques sont arrivés sur le marché ces derniers temps, et même ceux-ci ne sont que des variantes mineures d’anciens antibiotiques.
Si les perspectives semblent sombres, la récente révolution dans le domaine de l’intelligence artificielle (IA) offre de nouveaux espoirs. Dans une étude publiée le 20 février dans la revue Cell, des scientifiques du MIT et de Harvard ont utilisé un type d’IA appelé apprentissage profond pour découvrir de nouveaux antibiotiques.
La méthode traditionnelle de découverte des antibiotiques – à partir de sol ou d’extraits de plantes – n’a pas révélé de nouveaux candidats, et la résolution de ce problème se heurte également à de nombreux obstacles sociaux et économiques. Certains scientifiques ont récemment tenté de s’y attaquer en recherchant dans l’ADN des bactéries de nouveaux gènes producteurs d’antibiotiques. D’autres recherchent des antibiotiques dans des endroits exotiques, comme dans notre nez.
Les médicaments découverts grâce à ces méthodes non conventionnelles sont confrontés à un chemin semé d’embûches pour arriver sur le marché. Les médicaments qui sont efficaces dans une boîte de pétri peuvent ne pas bien fonctionner dans l’organisme. Ils peuvent ne pas être bien absorbés ou avoir des effets secondaires. La fabrication de ces médicaments en grandes quantités est également un défi important.
Le deep learning (= apprentissage profond)
Ces algorithmes sont à la base de nombreux systèmes de reconnaissance faciale et de voitures à conduite autonome. Ils imitent le fonctionnement des neurones de notre cerveau en apprenant des modèles dans les données. Un neurone artificiel individuel – comme un mini-capteur – peut détecter des modèles simples comme des lignes ou des cercles. En utilisant des milliers de ces neurones artificiels, l’IA d’apprentissage profond peut effectuer des tâches extrêmement complexes comme la reconnaissance des chats dans les vidéos ou la détection de tumeurs sur les images de biopsie.
Compte tenu de sa puissance et de son succès, il n’est pas surprenant d’apprendre que les chercheurs à la recherche de nouveaux médicaments adoptent le « deep learning ». Pourtant, la mise au point d’une méthode d’IA pour la découverte de nouveaux médicaments n’est pas une tâche triviale.
Si un algorithme fonctionne de manière spectaculaire dans une tâche, par exemple la reconnaissance faciale, il échouera de manière spectaculaire dans une autre tâche, comme la découverte de médicaments. Les chercheurs ne peuvent donc pas se contenter d’utiliser des IA d’apprentissage approfondi disponibles dans le commerce.
L’équipe Harvard-MIT a utilisé un nouveau type d’IA d’apprentissage profond appelé réseaux de neurones en graphes pour la découverte de médicaments. À l’âge de pierre de l’IA en 2010, les modèles d’IA pour la découverte de médicaments étaient construits en utilisant des descriptions textuelles de produits chimiques. Cela revient à décrire le visage d’une personne à l’aide de mots tels que « yeux noirs » et « long nez ». Ces descripteurs textuels sont utiles mais ne brossent évidemment pas un tableau complet. La méthode d’IA utilisée par l’équipe Harvard-MIT décrit les produits chimiques comme un réseau d’atomes, ce qui donne à l’algorithme une image plus complète de la substance chimique que les descriptions textuelles ne peuvent le faire.
Connaissances humaines et ardoises vierges de l’IA
Pourtant, le deep learning ne suffit pas à lui seul pour découvrir de nouveaux antibiotiques. Il doit être associé à une connaissance biologique approfondie des infections.
L’équipe Harvard-MIT a méticuleusement formé l’algorithme de l’IA avec des exemples de médicaments qui sont efficaces et ceux qui ne le sont pas. En outre, ils ont utilisé des médicaments connus pour leur innocuité chez l’homme pour entraîner l’IA. Ils ont ensuite utilisé l’algorithme de l’IA pour identifier des antibiotiques potentiellement sûrs mais puissants à partir de millions de produits chimiques.
Contrairement aux gens, l’IA n’a pas d’idées préconçues, en particulier sur ce à quoi un antibiotique devrait ressembler. En utilisant l’IA à l’ancienne, un laboratoire a récemment découvert des candidats surprenants pour le traitement de la tuberculose, notamment un médicament antipsychotique. Dans l’étude de l’équipe Harvard-MIT, ils ont trouvé une mine d’or de nouveaux candidats. Ces médicaments candidats ne ressemblent en rien aux antibiotiques existants. Un candidat prometteur est l’Halicin, un médicament en cours d’exploration pour le traitement du diabète.
Étonnamment, l’halicine était efficace non seulement contre E. coli, la bactérie sur laquelle l’algorithme d’IA a été entraîné, mais aussi contre des agents pathogènes plus mortels, notamment ceux qui causent la tuberculose et l’inflammation du côlon. Notamment, l’halicine était efficace contre Acinetobacter baumanni, une bactérie résistante aux médicaments. Cette bactérie figure en tête de la liste des agents pathogènes les plus mortels établie par les Centres de contrôle et de prévention des maladies.
Malheureusement, la grande puissance de l’Halicine suggère qu’elle peut également détruire des bactéries inoffensives dans notre corps. Elle peut également avoir des effets secondaires métaboliques, puisqu’elle a été conçue à l’origine comme un médicament antidiabétique. Étant donné le besoin urgent de nouveaux antibiotiques, il peut s’agir de petits sacrifices à payer pour sauver des vies.
Garder une longueur d’avance sur l’évolution
Compte tenu de la promesse de l’Halicine, devrions-nous arrêter la recherche de nouveaux antibiotiques ?
L’halicine pourrait franchir tous les obstacles et finir par atteindre le marché. Mais elle doit encore surmonter un ennemi acharné qui est la cause principale de la crise de la résistance aux médicaments : l’évolution. Au cours du siècle dernier, l’homme a jeté de nombreux médicaments sur les agents pathogènes. Pourtant, les agents pathogènes ont toujours développé une résistance. Il ne faudra donc pas longtemps avant de rencontrer une infection résistante à l’halicine. Néanmoins, grâce à la puissance de l’apprentissage profond de l’IA, nous pourrions maintenant être mieux à même de réagir rapidement avec un nouvel antibiotique.
De nombreux défis attendent les antibiotiques potentiels découverts grâce à l’IA pour atteindre la clinique. Les conditions dans lesquelles ces médicaments sont testés sont différentes de celles qui prévalent à l’intérieur du corps humain. De nouveaux outils d’IA sont en cours de construction par le laboratoire et d’autres pour simuler l’environnement interne du corps afin d’évaluer la puissance des antibiotiques. Les modèles d’IA peuvent maintenant aussi prédire la toxicité et les effets secondaires des médicaments. L’ensemble de ces technologies d’IA pourrait bientôt nous donner une longueur d’avance dans la lutte sans fin contre la résistance aux médicaments.
Source : Deep learning AI discovers surprising new antibiotics.
Traduction : Les codes de la santé