Une équipe de chercheurs de l'Université de l'Oregon a développé un nouvel outil d'intelligence artificielle capable de prédire le mouvement de nouvelles molécules médicamenteuses avant des tests de laboratoire coûteux. Ce projet, dirigé par l'étudiant diplômé Revanth Elangovan et la chercheuse postdoctorale Sompriya Chatterjee dans le laboratoire du biophysicien Dhiman Ray, vise à accélérer le processus de découverte de médicaments. Les résultats de cette étude, publiée dans les Actes de l'Académie nationale des sciences, démontrent que l'algorithme simule efficacement le comportement et le déplacement de molécules inédites en fonction de leur structure chimique. Alors que de nombreux candidats médicamenteux échouent avant d'atteindre le marché, ces outils de simulation offrent une solution prometteuse. Actuellement, des logiciels avancés comme AlphaFold de Google permettent aux scientifiques de prédire la structure statique des nouvelles molécules, une méthode récompensée par le prix Nobel de chimie 2024. Cependant, comme le souligne Dhiman Ray, ces outils ressemblent à une photo d'un film : ils figent un instant précis sans révéler les dynamiques d'action. Pour déterminer si une molécule se fixera à sa cible thérapeutique ou à une cible indésirable, il est essentiel de comprendre son mouvement dans le temps. Les méthodes de simulation traditionnelles, qui agissent comme un film complet riche en détails, sont extrêmement coûteuses en ressources informatiques et inaccessibles pour la plupart des laboratoires. La nouvelle approche de l'équipe de l'Oregon se positionne comme un compromis idéal, comparable à un résumé de l'intrigue d'un film. Elle fournit les informations clés nécessaires sur le déplacement des molécules de manière efficace, sans nécessiter la puissance de calcul massive des simulations complètes. Le modèle a été créé en combinant l'intelligence artificielle avec des données physiques. Les scientifiques ont intégré des mesures du comportement de molécules connues et l'énergie requise pour modifier leur forme afin de calibrer le modèle. Cette méthode empêche l'IA d'explorer des scénarios improbables et de gaspiller de l'énergie. De plus, des techniques mathématiques augmentent les chances de capturer le moment précis de la liaison entre un médicament et sa cible, souvent une fraction de seconde imperceptible dans les simulations classiques. Dhiman Ray note que cette capacité à échantillonner des événements invisibles dans les simulations régulières représente un avantage significatif pour les scientifiques computationnels. Le code développé par l'équipe est désormais disponible gratuitement pour la communauté scientifique. Bien que l'application principale soit le développement de médicaments, cette approche pourrait également être bénéfique pour la biologie et la chimie des matériaux. Une prochaine étape consistera à rendre les données du modèle plus faciles à interpréter, en traduisant les résultats en visualisations animées conviviales. Cette méthode hybridant les principes de la physique et les avantages de l'apprentissage automatique illustre l'innovation clé du laboratoire, ouvrant la voie à une compréhension accrue des propriétés moléculaires.