Les microbes résistants aux médicaments, y compris les bactéries, les champignons, les parasites et les virus, représentent une menace mondiale croissante. En 2021, environ cinq millions de décès étaient associés à la résistance antimicrobienne bactérienne—un fardeau annuel qui devrait doubler d'ici 2050. Il peut falloir des années pour trouver des molécules susceptibles de devenir des antimicrobiens.

Les chercheurs utilisent l'IA pour accélérer cette étape précoce de la découverte. César de la Fuente, bioingénieur dont le laboratoire interdisciplinaire recherche des candidats antimicrobiens, a déclaré que la résistance antimicrobienne est l'une des plus grandes menaces existentielles pour l'humanité. Son laboratoire utilise des modèles d'apprentissage profond entraînés à reconnaître des motifs dans les séquences biologiques pour rechercher dans d'immenses ensembles de données génomiques et protéiques des antimicrobiens potentiels, réduisant la recherche initiale de plusieurs années à quelques heures.

Parallèlement à ses propres modèles d'IA, le laboratoire utilise Chat GPT et Codex pour brainstormer des hypothèses, écrire et affiner du code, traiter des ensembles de données, analyser les résultats et connecter des idées entre disciplines scientifiques. L'approche se concentre sur la biologie comme système d'information, où les nucléotides et les acides aminés forment un alphabet pour déchiffrer les principes organisateurs de la vie. Seule une fraction du génome a une fonction clairement comprise, et encore moins codent des molécules capables de lutter contre les microbes infectieux.

L'IA aide à identifier des signaux prometteurs parmi d'énormes ensembles de données, en priorisant les candidats pour les tests expérimentaux. Cependant, identifier un candidat ne garantit pas qu'il deviendra un médicament efficace. Les scientifiques doivent confirmer que la molécule tue le microbe cible, déterminer la dose efficace, tester les effets sur les cellules humaines, optimiser la sécurité et la stabilité, évaluer la toxicité et le développement de résistance, et assurer la fabriquabilité.

Les candidats qui franchissent ces obstacles doivent encore passer par un examen réglementaire et des essais cliniques avant d'atteindre les patients. Pour de la Fuente, l'IA et la biologie de laboratoire doivent avancer ensemble, car les expériences de référence sont essentielles pour valider les prédictions de l'IA dans les sciences de la vie.