Allemand Français
Connaissances ebi-actuel Développement de médicaments par l’IA: avenir ou réalité?

Développement de médicaments par l’IA: avenir ou réalité?

L’intelligence artificielle (IA) transforme également le domaine du développement de médicaments. Les programmes d’IA les plus modernes sont notamment capables de prédire les interactions entre protéines et petites molécules. Les scientifiques espèrent ainsi pouvoir développer des substances actives plus rapidement et de manière plus ciblée. 

AI DarstellungÀ la recherche de la bonne molécule cible: l’IA entre en jeu

Pour développer un médicament, il faut avant tout identifier la molécule cible à laquelle la substance active devra se fixer pour agir sur la maladie. Jusqu’à présent, trouver la bonne cible revenait souvent à chercher une aiguille dans une botte de foin. Les biotechnologues examinaient des milliers de protéines naturelles afin d’identifier un candidat prometteur pour une molécule cible donnée. Une fois la protéine appropriée identifiée, celle-ci était modifiée afin d’optimiser ses propriétés physiques et chimiques, puis testée pour évaluer son efficacité, sa sécurité et ses performances. Ce processus durait généralement deux années environ. Parmi tous les candidats ainsi sélectionnés, seule la moitié parvenait ensuite à passer à la phase clinique.

Aujourd’hui, l’intelligence artificielle peut faciliter le processus. Avec des modèles d’IA comme AlphaFold ou RosettaFold, le développement de médicaments est entré dans une nouvelle ère. Ces outils sont capables de prédire comment une chaîne d’acides aminés se replie pour donner à une protéine sa structure tridimensionnelle. En 2024, les scientifiques à l’origine de ces avancées ont reçu le prix Nobel de chimie.

Les versions les plus récentes de ces programmes vont encore plus loin: elles sont capables de calculer comment une protéine donnée interagit avec une autre molécule, appelée «ligand» ou molécule partenaire par les spécialistes. Il peut s’agir, par exemple, d’une substance active.

L’IA a été prometteuse, mais reste à utiliser avec prudence

Des chercheurs de l’Université de Bâle ont cherché à savoir si ces modèles d’IA comprenaient réellement les lois physico-chimiques qui régissent les interactions entre les molécules, ou s’ils se contentaient d’apprendre des exemples à partir des données d’entraînement. Leurs travaux montrent aujourd’hui que ces programmes mémorisent des schémas récurrents, sans pour autant comprendre les relations physiques qui les sous-tendent. Les chercheurs dirigés par le professeur Markus Lill ont été intrigués par les taux de réussite apparemment très élevés obtenus dans la prédiction des structures, d’autant plus que les données disponibles pour entraîner ces modèles d’IA sont relativement limitées: elles ne comptent qu’environ 100 000 structures de protéines caractérisées avec leurs ligands. C’est peu comparé aux autres jeux de données utilisés pour entraîner des modèles d’IA.

Pour tester ces modèles d’IA, les chercheurs ont modifié la séquence d’acides aminés de centaines de protéines. Ils ont notamment modifié le site de liaison de leurs ligands de manière à changer complètement la répartition des charges électriques, voire à le bloquer totalement. Malgré ces modifications, les modèles d’IA prédisaient toujours la même structure, comme si la liaison avec le ligand restait possible.

Les chercheurs ont procédé de manière similaire avec les ligands: ils les ont modifiés de façon à ce qu’ils ne puissent plus se fixer à la protéine étudiée. Cette modification n’a pas non plus impacté les modèles d’IA. Dans plus de la moitié des cas, ils ont prédit la structure comme si les chercheurs n’avaient jamais modifié la séquence d’acides aminés. Autrement dit: même les modèles d’IA les plus modernes ne comprennent pas réellement pourquoi un médicament est lié à une protéine, ils reconnaissent simplement des schémas qu’ils ont déjà rencontrés. Dans le domaine du développement de médicaments, leurs résultats doivent donc être interprétés avec prudence. Les prédictions doivent être impérativement vérifiées au moyen d’expériences ou d’analyses informatiques qui prennent en compte les propriétés physico-chimiques des molécules. C’est précisément de cette manière que les chercheurs de l’Université de Bâle ont vérifié les résultats des modèles d’IA dans le cadre de leur étude.

Comment l’IA peut-elle encore s’améliorer dans le futur?

Selon le professeur Markus Lill, une piste prometteuse consiste à intégrer les principes fondamentaux de la physique et de la chimie directement dans les futurs modèles d’IA. En tenant compte de ces mécanismes, les modèles pourraient générer des prédictions structurales plus fiables et ainsi constituer une base plus solide pour la conception et le développement de nouveaux médicaments.


Liens sur ce thème:

KI entwirft neue Medikamente anhand von Proteinstrukturen | ETH Zürich

Publication originale de l’Université de Bâle:

Investigating whether deep learning models for co-folding learn the physics of protein-ligand interactions | Nature Communications


Nos chaînes de podcasts

Tags sur l’article:
Blog

Articles similaires

L’équipe du développement commercial d’ebi-pharm

L’équipe du développement commercial d’ebi-pharm est petite, mais pleine de ressources. Nicolai Zanetti (responsable de l’équipe) et ses deux collaboratrices Linda Nafzger et Natalie Tannast veillent à concrétiser rapidement les projets ...

Portrait de plante: à la rencontre du dompte-venin blanc

Dans notre série consacrée aux portraits des plantes, nous vous présentons différentes espèces médicinales ainsi que leurs particularités. Aujourd’hui, nous souhaitons mettre à l’honneur le dompte-venin blanc (Vincetoxicum hirundinaria).

Enquête clients 2026: Votre avis nous tient à coeur

À l’été 2026, comme en 2020 et 2023, nous avons invité notre clientèle — médecins, naturopathes, pharmacies et drogueries de Suisse alémanique et de Suisse romande — à nous faire part de son expérience sur la collaboration avec ebi-pharm. Plus de 300 réponses nous ont permis de mieux comprendre ce qui fait notre force et d’identifier les domaines dans lesquels nous souhaitons encore nous améliorer.