Une équipe de chercheurs de l'Université Texas A&M, dirigée par le professeur James Sacchettini, a développé des outils basés sur l'intelligence artificielle pour accélérer la découverte de traitements contre la tuberculose. Face à une maladie qui reste la première cause de mortalité infectieuse mondiale et dont les souches résistantes exigent des thérapies prolongées, le processus classique de sélection des candidats-médicaments s'avère particulièrement lent et coûteux. La biologie complexe du bacille, protégé par une enveloppe cireuse et à la croissance lente, rend les essais précliniques particulièrement longs. Pour contourner ces obstacles, le laboratoire a créé DAIKON, une plateforme open-source publiée en 2023. Cette infrastructure centralise et structure des années de données de recherche souvent fragmentées, permettant de tracer le parcours d'une cible thérapeutique depuis la génétique jusqu'aux essais chimiques. Le consortium TBDA, soutenu par la Fondation Gates, intègre déjà cet outil à son réseau de partenaires académiques et industriels pour harmoniser les collaborations. Au sein de cet écosystème, les chercheurs ont déployé deux modèles d'IA complémentaires. Le premier, nommé CAGE-Fusion, est conçu pour filtrer les faux positifs lors des criblages précoces de composés. En s'appuyant sur des données publiées, il identifie et classe les molécules problématiques qui faussent les résultats de laboratoire, telles que celles qui s'agrègent, réagissent chimiquement ou se lient de manière non spécifique à plusieurs cibles. Avec une précision d'environ 94 % pour repérer ces composés nuisibles, le système alerte les scientifiques avant qu'ils n'investissent des mois de travail et des fonds importants sur des pistes non viables. Le modèle explique également visuellement les régions moléculaires responsables de ces interférences, offrant une transparence indispensable aux chimistes. Le second système digitalise l'ensemble des savoirs accumulés par le consortium TBDA. Grâce à une interface conversationnelle, les chercheurs peuvent désormais interroger des structures moléculaires, retrouver des présentations passées ou identifier rapidement les recherches ayant conduit à une impasse technique. Cette mutualisation des connaissances réduit considérablement le temps de vérification et favorise une collaboration interinstitutionnelle plus fluide. Les auteurs insistent sur le fait que ces algorithmes ne visent pas à remplacer l'expertise humaine, mais à servir d'assistants décisionnels. En éliminant rapidement les impasses et en optimisant l'exploitation des données existantes, l'intelligence artificielle réduit les délais de développement pharmaceutique. Cette approche promet d'accélérer la mise à disposition de nouvelles thérapeutiques face à un pathogène qui s'adapte constamment et continue de menacer la santé publique, en particulier dans les régions les plus vulnérables.