Le 12 mai, une équipe de recherche de l'université d'État de l'Ohio a présenté DiffSMol, un modèle d'intelligence artificielle générative conçu pour générer des structures tridimensionnelles de candidats médicaments (https://news.osu.edu). DiffSMol analyse la forme des ligands connus (des molécules qui se lient aux cibles protéiques) et peut créer de nouvelles molécules tridimensionnelles ayant de bonnes propriétés de liaison en quelques secondes, avec un taux de réussite de 61,4 %, bien supérieur au précédent niveau de 12 %. AIbase observe que cette avancée révolutionnaire pourrait remodeler le processus de recherche de médicaments sur une période de dix ans, améliorant considérablement l'efficacité et le rapport coût-efficacité.
Technologie clé : génération rapide de candidats médicaments prometteurs
DiffSMol repose sur un cadre avancé d'intelligence artificielle générative, apprenant les caractéristiques de forme des ligands connus pour générer de nouvelles structures tridimensionnelles de molécules qui n'existent pas dans les bases de données chimiques existantes. L'équipe de recherche utilise la technologie de génération conditionnelle pour garantir que les nouvelles molécules ont une affinité de liaison plus forte avec les cibles protéiques. AIbase a appris que DiffSMol peut générer une seule molécule en seulement une seconde, soit des centaines de fois plus rapidement que les méthodes de calcul traditionnelles. Les résultats des tests montrent que le modèle, dans des études de cas sur cycline-dependent kinase 6 (CDK6), utilisé pour réguler le cycle cellulaire et inhiber la croissance du cancer, et neprilysine (NEP), utilisé pour ralentir la progression de la maladie d'Alzheimer, génère des molécules présentant des performances supérieures aux ligands connus, démontrant ainsi son immense potentiel dans le traitement du cancer et des maladies neurodégénératives.
Ouverture des codes sources : promouvoir la collaboration mondiale
L'équipe de développement de DiffSMol a rendu son code et ses jeux de données entièrement open source, hébergés sur GitHub (https://github.com/osu-ninglab/DiffSMol), pour encourager les scientifiques mondiaux à participer à l'optimisation et à l'utilisation. L'équipe de rédaction d'AIbase estime que cette stratégie ouverte accélérera la popularisation de l'intelligence artificielle générative dans le domaine de la conception de médicaments, ce qui est particulièrement important pour les petites et moyennes institutions de recherche aux ressources limitées. La recherche a également reçu des subventions du Conseil national des sciences, de la Bibliothèque nationale de médecine et du Centre national de promotion des sciences translationnelles, soulignant sa valeur académique et appliquée. Les discussions sur les réseaux sociaux soulignent que le faible besoin en calcul de DiffSMol le rend idéal pour les laboratoires indépendants.
Limites et futur : surmonter la dépendance aux ligands
Malgré les excellentes performances de DiffSMol dans la génération de candidats médicaments, le modèle actuel dépend encore des caractéristiques de forme des ligands connus et ne peut pas complètement concevoir des molécules de zéro. L'équipe de recherche indique qu'elle introduira des données multimodales (comme les interactions protéine-ligand et les données d'expression génétique) pour optimiser davantage le modèle et surmonter cette limitation. AIbase estime que, avec l'évolution continue des technologies d'intelligence artificielle générative, DiffSMol pourrait réaliser une conception de médicaments intégrée, automatisant l'ensemble du processus allant de l'identification des cibles aux synthèses moléculaires. Les experts de l'industrie prédisent sur les réseaux sociaux que des outils similaires à DiffSMol pourraient réduire de plus de 30 % le temps de recherche de médicaments dans les cinq prochaines années.
Fond historique : la vague de l'intelligence artificielle générative dans la recherche de médicaments
La publication de DiffSMol intervient alors que l'intelligence artificielle générative connaît une montée rapide dans le domaine de la recherche de médicaments. AlphaFold a résolu le problème de prédiction de la structure tridimensionnelle des protéines en 2021, tandis qu'Insilico Medicine et AbSci ont déjà poussé les molécules générées par IA vers les essais cliniques. AIbase observe que l'intelligence artificielle générative réduit les coûts de recherche de médicaments traditionnels de 2,5 milliards de dollars en moyenne à plusieurs millions de dollars, et augmente les taux de succès de moins de 10 % à 90 % dans certains cas. Cependant, DiffSMol se distingue parmi de nombreux modèles grâce à son taux de réussite élevé et ses attributs open source, devenant le centre d'attention tant dans les cercles académiques que dans l'industrie.
Révolution dans la conception de médicaments grâce à l'IA
Le succès de DiffSMol marque le passage de l'intelligence artificielle générative de la théorie à l'application pratique, apportant de nouvelles espérances dans le traitement des cancers, de la maladie d'Alzheimer et d'autres maladies complexes. L'équipe de rédaction d'AIbase prévoit que, avec les contributions de la communauté open source et l'optimisation continue du modèle, DiffSMol deviendra un outil emblématique dans la recherche de médicaments, propulsant l'industrie vers une transformation plus rapide et économique. Cependant, le modèle doit être vérifié dans des essais précliniques et cliniques pour garantir la sécurité et l'efficacité des molécules générées.