Une plateforme d’intelligence artificielle (IA) accélère la découverte de nouveaux matériaux pour la livraison d’ARNm. En combinant IA et robotique avancée pour créer des laboratoires autonomes (self-driving labs, SDL), une équipe de recherche de l’Université de Toronto a mis au point un système baptisé LUMI-lab (Large-scale Unsupervised Modeling followed by Iterative experiments). Ce système, intégrant un modèle fondamental moléculaire pré-entraîné à grande échelle, une approche d’apprentissage actif et des systèmes robotisés, a révélé une nouvelle classe de lipides — les lipides bromés — capables d’améliorer significativement l’efficacité de la livraison d’ARNm dans les cellules humaines, une découverte inattendue qui n’avait jamais été associée auparavant à ce type de thérapie. Publiée dans la revue Cell, cette étude, menée par des chercheurs de la faculté de pharmacie Leslie Dan de l’Université de Toronto, a été rendue possible grâce au financement d’un projet d’innovation translationnelle de l’Accélérateur de recherche de l’Université de Toronto. Au cours de dix cycles d’apprentissage actif, LUMI-lab a synthétisé et testé plus de 1 700 nouveaux nanolipides, identifiant des lipides ionisables à queue bromée comme des actifs majeurs pour améliorer la transfection dans les cellules pulmonaires humaines, surpassant même certains standards approuvés. « Ce qui est fondamental dans ce système piloté par l’IA, c’est qu’il a identifié indépendamment la bromation comme un élément clé du design, sans qu’aucune hypothèse préalable ne lui ait été fournie », souligne Bowen Li, titulaire de la chaire GSK en pharmaceutique et livraison de médicaments, chercheur affilié au centre Princess Margaret Cancer Centre et professeur à l’Université de Toronto. Cette autonomie décisionnelle représente une avancée majeure dans la découverte moléculaire. Malgré l’essor rapide des thérapies à ARNm, leur livraison reste dépendante de nanoparticules lipidiques (LNP), dont seulement trois ont reçu l’approbation de la FDA. Les plateformes comme LUMI-lab élargissent considérablement le paysage de conception pour développer de nouvelles LNP, essentielles à l’expansion des applications thérapeutiques. Toutefois, les modèles SDL dépendent de grandes bases de données de haute qualité — un défi majeur dans des domaines émergents comme celui des thérapies à ARNm, où les données historiques sont limitées. Pour surmonter cette lacune, l’équipe a pré-entraîné LUMI sur plus de 28 millions de structures moléculaires, lui permettant d’apprendre des motifs chimiques généraux avant de s’attaquer à des tâches spécifiques. Intégré à un cadre d’apprentissage actif, le modèle s’améliore continuellement grâce à un flux fermé entre prédictions IA et expérimentations robotisées, augmentant ainsi sa précision. Des tests précliniques ont montré que certains lipides découverts surpassaient le lipide utilisé dans le vaccin contre le COVID-19 de Moderna. Bien que les lipides bromés représentaient seulement 8 % de la bibliothèque chimique utilisée, ils ont représenté plus de la moitié des meilleurs candidats. De plus, leur profil de sécurité était comparable à celui des lipides cliniques de référence, ouvrant la voie à leur développement futur. « À présent, nous étendons LUMI-lab pour optimiser simultanément plusieurs propriétés cliniquement pertinentes — pas seulement l’efficacité de livraison, mais aussi la sécurité, la tolérabilité et la sélectivité tissulaire », explique Li. En fermant la boucle entre prédictions IA et expérimentations automatisées, l’équipe vise à raccourcir considérablement les cycles de conception des matériaux lipidiques et à explorer un espace chimique bien plus vaste, fondé sur des données et piloté par l’intelligence artificielle.