L'IA accélère les simulations moléculaires d'un facteur 10 000

Le développement d'un nouveau médicament prend souvent plus de dix ans, de l'idée initiale au médicament fini, avant qu'il ne parvienne aux patients. Une grande partie des coûts et du temps nécessaires est concentrée dans les premières étapes, car une multitude de tests doivent être effectués pour identifier les candidats les plus prometteurs. Souvent, plusieurs études sont nécessaires, au cours desquelles des milliers de molécules sont criblées – mais seule une fraction d'entre elles passe à l'étape suivante. 

Traditionnellement, les mouvements des molécules sont simulés à l'aide de ce que l'on appelle la dynamique moléculaire, dans laquelle les chercheurs calculent les forces entre tous les atomes étape par étape et les déplacent petit à petit. Pour que les calculs soient stables, chaque étape doit être extrêmement courte, de l'ordre d'une femtoseconde (10⁻¹⁵ secondes). Étant donné que les processus qui intéressent le développement de médicaments se déroulent sur des échelles de temps bien plus longues, des milliards d'étapes sont nécessaires, ce qui rend les simulations très exigeantes sur le plan informatique.  

Changements majeurs apportés par l'IA 

L'utilisation de l'IA permet désormais aux chercheurs de détecter des changements moléculaires sans avoir à effectuer de calculs numériques. L'apprentissage automatique peut accélérer chaque étape du calcul, et des modèles génératifs peuvent être utilisés pour générer directement des structures moléculaires plausibles sans simuler leur mouvement.  

Un groupe de chercheurs de l’université technologique de Chalmers et de l’université de Göteborg, en Suède, a désormais franchi une nouvelle étape en développant un nouveau modèle d’IA qui pourrait, à long terme, rendre les tests de développement de médicaments encore plus efficaces. Ce nouveau modèle est plus de 10 000 fois plus rapide que les simulations conventionnelles.  

« Ce qui distingue notre modèle d’IA, c’est qu’il apprend la dynamique sous-jacente sur des échelles de temps plus longues. Il fournit non seulement des informations sur les formes que prennent les molécules, mais aussi sur la rapidité et les voies par lesquelles ces transitions moléculaires se produisent. À notre connaissance, c’est la première fois que cela est réalisé d’une manière qui fonctionne pour de nombreuses molécules différentes », explique Simon Olsson, directeur de recherche et professeur associé au département d’informatique et d’ingénierie de l’université technologique de Chalmers et de l’université de Göteborg. 

Des milliers de molécules ont été testées 

L'étude a porté sur plus de 12 500 molécules organiques, telles que celles contenant des atomes de carbone, d'azote, d'hydrogène et d'oxygène. Plus d’un millier de peptides courts ont également été étudiés : il s’agit de molécules constituées de courtes chaînes d’acides aminés qui composent les protéines. Le modèle d’IA a appris comment les molécules se comportent généralement et a ainsi pu accélérer les simulations. Les résultats restent cohérents avec les lois de la physique.  

« Nous entraînons le modèle à l’aide d’exemples simulés montrant comment les atomes d’une molécule se déplacent au fil du temps. À partir de ces séquences, le modèle apprend les règles sous-jacentes qui régissent le mouvement des molécules et peut alors prédire comment de nouvelles molécules se comporteront », explique Simon Olsson. 

Les chercheurs ont comparé les résultats et les conclusions du modèle avec des études antérieures sur l’évolution moléculaire. 

« Nous avons validé les résultats à l’aide de simulations de post-traitement approfondies afin de les corroborer à l’aide d’algorithmes numériques standard. Et ils sont cohérents les uns avec les autres », explique Simon Olsson.  

Les changements peuvent être prédits 

Bien que le modèle d’IA ne repose pas sur des images réelles, les chercheurs décrivent les résultats comme un moyen de passer d’une scène à l’autre dans des « films moléculaires », plutôt que de regarder chaque image dans l’ordre. 

Le modèle d’IA sert de base aux prédictions computationnelles que les chercheurs réalisent ensuite en laboratoire.  

« Là, nous mesurons des éléments très spécifiques : les propriétés des molécules, leur degré de “satisfaction” dans une solution donnée, ou si, par exemple, elles souhaitent traverser une membrane pour pénétrer dans une cellule, mais cela reste encore à venir », explique Simon Olsson. 

L’un des principaux atouts de ce modèle est qu’il peut être appliqué à des molécules qu’il n’a jamais rencontrées lors de son apprentissage, car il a appris les règles générales régissant le mouvement moléculaire plutôt que de mémoriser des systèmes individuels.  

« Il existe un certain schéma que le modèle nous aide à identifier. Le modèle d’IA repose sur un certain nombre d’exemples, dans lesquels il observe uniquement ce qui se passe sur une période de quelques dizaines de nanosecondes. Il est néanmoins capable de prédire les propriétés et les changements des molécules sur une période mille fois plus longue. Ainsi, grâce à l’intelligence artificielle, nous pouvons déterminer ce qui est susceptible de se produire dans le « futur moléculaire ». Il peut prédire comment les molécules évoluent même s’il n’a jamais vu le processus se dérouler », explique Simon Olsson.  

Un sujet d’intérêt pour l’industrie pharmaceutique 

« Pour pouvoir prédire les phénomènes physiques présentés par les molécules, nous devons comprendre la physique sous-jacente du comportement du système. Je pense que nous sommes parmi les premiers à démontrer cela de manière générale et à montrer que c’est possible », explique Juan Viguera Diez, doctorant en industrie chez AstraZeneca, au département d’informatique et d’ingénierie de Chalmers et de l’université de Göteborg, et auteur principal de l’article. 

Les chercheurs constatent un intérêt considérable de la part de l’industrie pour des simulations qui reflètent plus fidèlement la réalité et permettent de développer plus rapidement de nouveaux médicaments. Comme le nouveau modèle d’IA peut accélérer les simulations moléculaires, où un grand nombre de molécules potentielles doivent être testées, l’équipe de recherche espère qu’il constituera une étape importante vers un développement plus efficace des médicaments.  

« À long terme, des modèles d’IA comme le nôtre pourraient aider à identifier plus rapidement des candidats-médicaments prometteurs et à améliorer la précision dès les premières étapes. Cette étude montre ce qui est actuellement possible. Nous espérons que cela ouvrira la voie au développement de techniques plus générales, qui pourraient à terme faciliter la mise au point de nouveaux médicaments et de nouveaux traitements et, dans un sens plus large, améliorer notre compréhension des maladies », explique Juan Viguera Diez. 

En savoir plus sur le modèle d’IA 

Le modèle d’IA TITO (Transferable Implicit Transfer Operators) est un cadre de modélisation générative profonde qui apprend les règles statistiques régissant le mouvement moléculaire directement à partir de données de simulation. Il permet de prédire l’évolution des configurations atomiques (la manière dont les atomes sont disposés et interagissent spatialement au sein d’une molécule) à des échelles de temps bien plus rapides que les simulations numériques conventionnelles. 

Cette méthode a actuellement été testée sur de petits systèmes moléculaires dans des modèles de solvants simplifiés et à une température spécifique. Elle fait actuellement l’objet de développements supplémentaires pour des systèmes plus complexes et plus réalistes.