La résistance aux antibiotiques constitue l’une des crises sanitaires les plus urgentes de notre époque. Les traitements classiques, larges et souvent destructeurs pour le microbiote intestinal, accélèrent l’évolution de souches bactériennes résistantes. Face à un secteur pharmaceutique réticent à investir dans des molécules coûteuses et peu rentables, les chercheurs se tournent vers l’intelligence artificielle pour accélérer la découverte de nouveaux antimicrobiens. Une équipe de l’Université McMaster, au Canada, a récemment mis en lumière cette approche. Après un criblage de dix mille composés, les chercheurs ont isolé enterololin, une molécule prometteuse contre les infections entériques à E. coli. Plutôt que de recourir à des analyses biochimiques longues, ils ont utilisé l’outil DiffDock, développé par le MIT. Cette IA a prédit avec précision la liaison de la molécule à ses cibles protéiques, confirmant qu’elle agit de manière ciblée sans affecter les bactéries bénéfiques. Cette dynamique s’inscrit dans un effort plus vaste initié en 2018 par Regina Barzilay et James Collins, chercheurs au MIT. Grâce à un réseau neuronal baptisé Chemprop, entraîné sur des milliers de données expérimentales, ils ont parcouru des millions de structures chimiques pour identifier Halicin. Ce composé s’est révélé efficace contre plusieurs pathogènes redoutables, dont la tuberculose et des souches d’E. coli multirésistantes. Pour la chercheuse Molly Bartlett de l’Imperial College London, la réussite de ces modèles repose d’abord sur la qualité des données. Les IA doivent apprendre à partir de jeux de données physiquement et chimiquement diversifiés, incluant des antibiotiques cliniques, des composés expérimentaux et des molécules inefficaces. L’intelligence artificielle générative facilite désormais le débogage et l’analyse de ces bases, rendant ces outils accessibles à un public plus large. Parallèlement, César de la Fuente, biologiste à l’Université de Pennsylvanie, explore les peptides antimicrobiens grâce aux outils APEX et ApexGO. En analysant plus de dix millions de séquences, dont des protéines issues d’espèces disparues, son équipe a identifié des centaines de candidats ciblant la membrane interne des bactéries, un mécanisme difficilement contournable par la résistance naturelle. Parmi les cent molécules synthétisées, près de huit sur dix ont démontré une activité antimicrobienne. Malgré ces avancées, les experts soulignent que la conception algorithmique de petites molécules reste confrontée à des défis de faisabilité chimique. Les IA génèrent parfois des structures impossibles à produire en laboratoire. Néanmoins, en réduisant drastiquement le temps de criblage et en optimisant les budgets, l’intelligence artificielle pose les bases d’une nouvelle ère thérapeutique. Le couplage entre apprentissage automatique et microbiologie offre une voie prometteuse pour contourner la résistance antimicrobienne et protéger la santé mondiale.