Des chercheurs de l'Université Princeton ont développé un outil d'intelligence artificielle capable d'analyser les modifications de forme des condensats biomoléculaires, ces gouttelettes subcellulaires essentielles à la régulation génique. Publié le 4 juin dans la revue Cell, l'étude démontre comment le machine learning peut relier directement la morphologie de ces structures à leurs fonctions biologiques, ouvrant la voie à une meilleure compréhension des mécanismes cellulaires et à l'évaluation ciblée des traitements médicamenteux. L'équipe, dirigée par Cliff Brangwynne et dont la première autrice est Anita Donlic, s'est concentrée sur le nucléole, une structure responsable de la production des ribosomes, les usines à protéines de la cellule. Ces derniers sont impliqués dans de nombreuses pathologies, dont les maladies neurodégénératives et le cancer. En utilisant des microscopes avancés, les scientifiques ont capturé les transformations du nucléole dans des centaines de cellules humaines exposées à divers composés. Ces images, complexes à interpréter manuellement, ont ensuite été traitées par un réseau de neurones spécialement conçu pour cet usage. L'algorithme a classé les nucléoles en quatre catégories morphologiques distinctes. Trois correspondent à des formes déjà répertoriées, tandis qu'une quatrième, inédite, a été baptisée forme fleur. Les morphologies en capuchon et en collier sont généralement associées à des stress cellulaires et servent de marqueurs fiables pour tester l'efficacité de thérapies géniques ou pharmacologiques. Par exemple, la forme capuchon apparaît après des traitements ciblant la synthèse de l'ARN, tandis que la forme collier résulte de l'inhibition d'autres processus liés à l'ARN. Lors des tests, le réseau d'IA a révélé que deux anticancéreux connus provoquent systématiquement la formation de capuchons, un effet non documenté jusqu'alors. Ce résultat suggère que ces médicaments agissent sur le nucléole d'une manière encore méconnue. Pour le troisième composé testé, le topotécan, l'algorithme a identifié la morphologie fleur. Les analyses complémentaires ont démontré que ce changement résulte de l'inhibition de l'enzyme TOP1, confirmant le rôle crucial de cette protéine dans l'organisation du nucléole via la régulation du traitement de l'ARN. Au-delà du nucléole, l'équipe a validé la robustesse de son modèle sur d'autres condensats liés à l'ARN, y compris ceux du virus respiratoire syncytial. Dans chaque cas, l'outil a permis de mesurer des réponses dose-dépendantes précises aux traitements. Cette approche positionne le machine learning comme un complément puissant à la microscopie traditionnelle, capable de détecter des motifs biologiques subtils souvent imperceptibles lors d'une analyse visuelle classique. Selon les chercheurs, cette méthode établit un cadre standardisé pour surveiller et évaluer les réponses cellulaires aux médicaments au niveau de la cellule unique. En automatisant la corrélation entre forme et fonction, l'intelligence artificielle accélère le criblage thérapeutique et pourrait accélérer la découverte de nouvelles cibles moléculaires.