Des chercheurs s'efforcent désormais de doter les modèles d'intelligence artificielle d'une compréhension profonde des principes chimiques pour accélérer la découverte de médicaments. Bien que l'on estime qu'entre 1020 et 1060 composés chimiques potentiels pourraient constituer des médicaments à petites molécules, les méthodes expérimentales traditionnelles sont trop lentes pour évaluer chacune de ces possibilités. Face à cet immensément vaste espace chimique, l'intelligence artificielle s'impose comme un outil indispensable pour identifier rapidement les candidats prometteurs. À la tête de cette initiative figure Connor Coley, professeur associé au Massachusetts Institute of Technology (MIT). Nommé professeur dans les départements de génie chimique et de génie électrique ainsi que dans l'Informatique et la Science des données, son travail se situe à l'intersection de ces disciplines. Il développe et déploie des modèles computationnels capables d'analyser des quantités massives de composés chimiques, de concevoir de nouvelles molécules et de prédire les voies de réaction nécessaires à leur synthèse. Si son approche est générale et applicable à toute molécule organique, sa priorité reste la découverte de médicaments à petites molécules. Originaire de Dublin, Ohio, Coley a montré un talent précoce pour les sciences, intégrant une famille comptant plus de scientifiques que de non-scientifiques. Après un passage au Caltech où il a combiné l'ingénierie chimique et l'informatique, il a rejoint le MIT en 2014 pour un doctorat. Sous la direction des professeurs Klavs Jensen et William Green, il a travaillé sur l'optimisation des réactions chimiques automatisées en utilisant l'apprentissage automatique et la chimi-informatique. Son travail, soutenu par le programme Make-It de la DARPA, visait à améliorer la synthèse de médicaments à partir de blocs de construction simples. De retour au MIT en tant que membre du corps professoral en 2020, Coley a fondé son propre laboratoire avec la mission de déployer l'IA non seulement pour synthétiser des composés existants, mais aussi pour concevoir de nouvelles molécules aux propriétés thérapeutiques désirables et identifier les moyens de les produire. Son équipe a créé plusieurs approches computationnelles novatrices. Parmi elles, le modèle ShEPhERD évalue les nouveaux médicaments potentiels en analysant leurs formes tridimensionnelles et leurs interactions avec des protéines cibles. Ce modèle est déjà utilisé par l'industrie pharmaceutique pour la découverte de médicaments. Un autre projet majeur, FlowER, est un modèle d'IA générative capable de prédire les produits résultant de la combinaison de différents intrants chimiques. Pour concevoir ce système, les chercheurs ont intégré une compréhension des principes physiques fondamentaux, tels que la loi de conservation de la masse, et ont contraint le modèle à évaluer la faisabilité des étapes intermédiaires du chemin réactionnel. Cette intégration de mécanismes réactionnels, souvent naturelle pour les chimistes experts mais absente des modèles standards, a considérablement amélioré la précision des prédictions. Les travaux au sein du laboratoire de Coley couvrent également l'élucidation assistée par ordinateur de la structure moléculaire, l'automatisation de laboratoire et la conception optimale des expériences. En multipliant ces axes de recherche, l'équipe vise à faire avancer les frontières de l'application de l'intelligence artificielle en chimie, en offrant aux modèles une véritable intuition de la chimie médicinale.