La gonorrhée, deuxième infection sexuellement transmissible la plus courante avec des millions de cas annuels, représente un défi de santé publique majeur en raison de la capacité rapide du pathogène Neisseria gonorrhoeae à développer des résistances aux antibiotiques. Malgré l'approbation récente de deux nouvelles molécules orales, les scientifiques anticipent une émergence inévitable de résistances, suivant un cycle observé à maintes reprises. Pour contourner ce problème, une équipe de recherche a publié une étude dans Science Translational Medicine démontrant une approche fondée sur l'intelligence artificielle pour découvrir des antibiotiques innovants. Dirigée par James Collins de l'Institut Wyss à Harvard et du MIT, avec Melis Anahtar, le projet a débuté par un criblage expérimental de près de quarante mille molécules pour identifier celles capables d'inhiber la croissance bactérienne. Ces données ont servi à entraîner un modèle d'apprentissage profond capable de prédire l'activité antibactérienne de structures chimiques inédites. Une fois validé, le modèle a été appliqué au criblage virtuel d'une vaste bibliothèque de six millions de composés. Cette approche algorithmique a permis d'isoler deuxcent treize candidats prometteurs, parmi lesquels deux molécules ont été retenues pour leur forte sélectivité et leur efficacité contre des souches multirésistantes, tout en limitant drastiquement les risques de développement de résistance. L'analyse protéomique a révélé que le composé A1 agit en ciblant spécifiquement l'enzyme alanine racémase, essentielle à la construction de la paroi cellulaire de la bactérie. Cette cible métabolique représente un mécanisme d'action novateur. Pour vérifier leur pertinence dans un contexte physiologique réaliste, les chercheurs ont collaboré avec Donald Ingber et ont testé leurs composés sur des modèles organiques vaginaux microfluidiques et sur des modèles murins. Les résultats ont montré une réduction significative de la charge bactérienne, validant ainsi l'efficacité in vitro et in vivo des molécules. Cette étude illustre la puissance conjuguée de l'intelligence artificielle et de la biologie de précision pour explorer un espace chimique gigantesque et repérer des pistes thérapeutiques autrement inaccessibles. Bien que les composés nécessitent encore des étapes d'optimisation chimique et des essais précliniques approfondis avant toute utilisation clinique, la méthodologie développée ouvre la voie à des pipelines de découverte de médicaments plus rapides. En intégrant systématiquement des modèles physiologiques humains au criblage algorithmique, les chercheurs espèrent accélérer la mise au point de nouveaux traitements face aux maladies infectieuses émergentes et à la crise mondiale de la résistance antimicrobienne.