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 déjà découvert.

C'est ainsi que la recherche d'antibiotiques s'est déroulée récemment. 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 égratignure ne devienne mortelle. Pourtant, peu de nouveaux antibiotiques sont récemment entrés sur le marché, et même ce ne sont que des variantes mineures d'anciens antibiotiques.

Alors que les perspectives semblent sombres, la récente révolution de l'intelligence artificielle (IA) offre un nouvel espoir. Dans une étude publiée le 20 février dans la revue Cellule , des scientifiques du MIT et de Harvard ont utilisé un type d'IA appelé apprentissage en profondeur pour découvrir de nouveaux antibiotiques.

La manière traditionnelle de découvrir les antibiotiques - à partir d'extraits de sol ou de plantes - n'a pas révélé de nouveaux candidats, et il existe de nombreux obstacles sociaux et économiques à la résolution de ce problème, également. 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 par de telles méthodes non conventionnelles sont confrontés à une route rocailleuse pour atteindre le marché. Les médicaments qui sont efficaces dans une boîte de Pétri peuvent ne pas bien fonctionner à l'intérieur du corps. Ils peuvent ne pas être bien absorbés ou peuvent avoir des effets secondaires. La fabrication de ces médicaments en grande quantité est également un défi de taille.

L'apprentissage en profondeur

Entrez dans l'apprentissage en profondeur. Ces algorithmes alimentent de nombreux systèmes de reconnaissance faciale et voitures autonomes d'aujourd'hui. 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 motifs simples comme des lignes ou des cercles. En utilisant des milliers de ces neurones artificiels, L'IA d'apprentissage en profondeur peut effectuer des tâches extrêmement complexes comme la reconnaissance de chats dans des vidéos ou la détection de tumeurs dans des images de biopsie.

Compte tenu de sa puissance et de son succès, il n'est peut-être pas surprenant d'apprendre que les chercheurs à la recherche de nouveaux médicaments adoptent l'IA par apprentissage en profondeur. Pourtant, construire une méthode d'IA pour découvrir de nouveaux médicaments n'est pas une tâche anodine. En grande partie, c'est parce que dans le domaine de l'IA, il n'y a pas de repas gratuit.

Le théorème No Free Lunch indique qu'il n'y a pas d'algorithme universellement supérieur. Cela signifie que si un algorithme fonctionne de manière spectaculaire dans une tâche, dire reconnaissance faciale, alors il échouera de façon spectaculaire dans une tâche différente, comme la découverte de médicaments. Par conséquent, les chercheurs ne peuvent pas simplement utiliser une IA d'apprentissage en profondeur standard.

L'équipe Harvard-MIT a utilisé un nouveau type d'IA d'apprentissage en profondeur appelé réseaux de neurones à graphes pour la découverte de médicaments. De retour à l'âge de pierre de l'IA en 2010, Les modèles d'IA pour la découverte de médicaments ont été construits à l'aide de descriptions textuelles de produits chimiques. C'est comme décrire le visage d'une personne à l'aide de mots tels que « yeux noirs » et « long nez ». Ces descripteurs de texte sont utiles mais ne brossent évidemment pas le tableau dans son intégralité. 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 du produit chimique que les descriptions textuelles peuvent fournir.

Connaissances humaines et ardoises vierges de l'IA

Pourtant, l'apprentissage en profondeur seul n'est pas suffisant pour découvrir de nouveaux antibiotiques. Elle doit être associée à une connaissance biologique approfondie des infections.

L'équipe Harvard-MIT a méticuleusement formé l'algorithme d'IA avec des exemples de médicaments efficaces et ceux qui ne le sont pas. En outre, ils ont utilisé des médicaments connus pour être sans danger pour l'homme pour former l'IA. Ils ont ensuite utilisé l'algorithme d'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 devrait ressembler un antibiotique. En utilisant l'IA à l'ancienne, mon laboratoire a récemment découvert des candidats surprenants pour le traitement de la tuberculose, y compris un médicament antipsychotique. Dans l'étude de l'équipe Harvard-MIT, ils ont trouvé une mine d'or de nouveaux candidats. Ces candidats médicaments ne ressemblent en rien aux antibiotiques existants. Un candidat prometteur est Halicin, un médicament à l'étude pour traiter le diabète.

Halicine, étonnamment, était puissant non seulement contre E. coli , les bactéries sur lesquelles l'algorithme d'IA a été formé, mais aussi sur des agents pathogènes plus mortels, y compris ceux qui causent la tuberculose et l'inflammation du côlon. Notamment, L'halicine était puissante contre la résistance aux médicaments Acinetobacter baumanni . Cette bactérie est en tête de liste des agents pathogènes les plus mortels compilée par les Centers for Disease Control and Prevention.

Malheureusement, La grande puissance de l'halicine suggère qu'elle peut également détruire des bactéries inoffensives dans notre corps. Il peut également avoir des effets secondaires métaboliques, puisqu'il a été conçu 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, faut-il arrêter la recherche de nouveaux antibiotiques ?

L'halicine pourrait franchir tous les obstacles et finir par atteindre le marché. Mais il doit encore vaincre un ennemi implacable qui est la principale cause de la crise de la résistance aux médicaments :l'évolution. Les humains ont jeté de nombreux médicaments sur les agents pathogènes au cours du siècle dernier. Pourtant, les agents pathogènes ont toujours développé une résistance. Il ne faudrait donc probablement pas longtemps avant de rencontrer une infection résistante à l'halicine. Néanmoins, avec la puissance de l'IA d'apprentissage en profondeur, nous pouvons maintenant être mieux placés pour réagir rapidement avec un nouvel antibiotique.

De nombreux défis attendent les antibiotiques potentiels découverts à l'aide de l'IA pour atteindre la clinique. Les conditions dans lesquelles ces médicaments sont testés sont différentes de celles à l'intérieur du corps humain. De nouveaux outils d'IA sont construits par mon laboratoire et d'autres pour simuler l'environnement interne du corps afin d'évaluer la puissance des antibiotiques. Les modèles d'IA peuvent également désormais prédire la toxicité et les effets secondaires des médicaments. Ensemble, ces technologies d'IA pourraient bientôt nous donner une longueur d'avance dans la bataille sans fin contre la résistance aux médicaments.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.