Une avancée majeure en science des médicaments vient d’être réalisée par une équipe du Centre de recherche sur l’intelligence artificielle de l’Université Tsinghua (AIR), dirigée par la professeure Lan Yanyan. Leur innovation, baptisée DrugCLIP, constitue une plateforme de criblage virtuel de médicaments pilotée par l’intelligence artificielle, capable d’accélérer le processus de découverte de molécules actives jusqu’à un million de fois par rapport aux méthodes traditionnelles. Actuellement, seulement environ 10 % des cibles thérapeutiques potentielles dans le génome humain ont été explorées. Avec plus de 20 000 protéines codées par le génome humain, la plupart restent inaccessibles aux outils de criblage classiques, freinés par des coûts élevés liés aux laboratoires automatisés ou aux supercalculateurs. Un criblage traditionnel de 10 000 protéines cibles, chacune testée avec 10⁹ composés, nécessiterait environ 10¹³ évaluations de liaison protéine-ligand — une tâche qui prendrait des centaines d’années même sur un ordinateur puissant. DrugCLIP résout ce goulot d’étranglement grâce à une approche révolutionnaire : au lieu de recourir à des simulations coûteuses de docking moléculaire, elle transforme le problème en une recherche sémantique efficace dans un espace vectoriel. Grâce à un apprentissage contrastif profond, le modèle évalue la compatibilité entre un site de liaison protéique (« pocket ») et un petit ligand en comparant leurs représentations vectorielles, permettant un traitement massif et rapide. Sur une seule unité de calcul (128 cœurs CPU + 8 GPU), DrugCLIP peut traiter des milliards de paires protéine-ligand en une journée. Cette innovation a permis pour la première fois le criblage à l’échelle du génome humain, couvrant environ 10 000 protéines et 20 000 sites de liaison, avec plus de 500 millions de composés potentiels. Le résultat : plus de 2 millions de molécules candidates ont été identifiées, constituant la plus grande base de données publique de criblage protéine-ligand jamais créée. Cette base est désormais gratuite et accessible à la communauté scientifique mondiale. Des validations expérimentales ont confirmé la fiabilité du système. Dans le cadre d’une collaboration avec l’équipe du professeur Yan Chuangye (École de biologie), DrugCLIP a permis de sélectionner 100 molécules hautement notées pour la cible NET (transporteur de noradrénaline), dont 15 % se sont révélées être des inhibiteurs efficaces — certains dépassant même l’efficacité de l’antidépresseur bupropion. Des structures en cristallographie par microscopie électronique à glace ont confirmé les interactions biologiques. Par ailleurs, avec le soutien du professeur Liu Leï (Département de chimie), le modèle a été utilisé pour cribler TRIP12, une protéine impliquée dans certains cancers et la maladie de Parkinson, dont la structure était inconnue. En utilisant uniquement la structure prédite par AlphaFold, DrugCLIP a identifié 10 molécules capables de se lier à TRIP12, dont deux inhibent sa fonction d’ubiquitination — une preuve claire de la capacité du système à fonctionner même sans données expérimentales préalables. La plateforme est désormais disponible en ligne, permettant aux chercheurs de soumettre leurs propres cibles pour un criblage personnalisé. En six mois, elle a servi plus de 1 400 utilisateurs, réalisant plus de 13 500 criblages. Cette recherche, publiée dans Science le 9 janvier 2025 sous le titre Deep contrastive learning enables genome-wide virtual screening, est soutenue par des projets du ministère de la Science et de la Technologie, du Fonds national de la science, du fonds New Frontier, ainsi que par des centres de recherche de l’Université Tsinghua. Les auteurs principaux sont Jia Yinjun, Gao Bowen, Tan Jiaxin, Zheng Jiqing et Hong Xin (tous postdoctorants à AIR), avec comme auteurs correspondants Lan Yanyan (AIR), Zhang Wei (École de biologie), Yan ChuanYe (École de biologie) et Liu Leï (Département de chimie). DrugCLIP ouvre la voie à une nouvelle ère de découverte de médicaments, en accélérant la mise au point de traitements innovants contre le cancer, les maladies infectieuses et les maladies rares, tout en rendant la recherche plus accessible, intelligente et durable.