Une équipe d'ingénieurs de l'Université de Pennsylvanie a développé LIBRIS, une plateforme microfluidique robotisée capable de révolutionner la conception des nanoparticules lipidiques (LNP). Ces véhicules de livraison sont essentiels aux thérapies à ARNm, comme les vaccins contre la COVID-19, mais leur développement est longtemps resté limité par un manque de données. La création de LNP efficaces nécessite d'optimiser des combinaisons complexes de lipides, un processus chimique dont le lien avec les résultats biologiques reste mal cartographié. Pour entraîner des modèles d'intelligence artificielle prédictifs, il est nécessaire de générer des ensembles de données massifs et systématiques. Or, les méthodes actuelles, qu'elles soient manuelles ou basées sur des automates de traitement de liquides standards, sont trop lentes et manquent de cohérence. Elles ne permettent de produire que quelques dizaines ou centaines de formulations par heure, un goulot d'étranglement qui empêche l'exploration efficace de l'immense espace de possibilités chimiques, évalué à mille billions de combinaisons. Le nouveau dispositif LIBRIS, acronyme de production de lots de nanoparticules lipidiques via un criblage intégré robotisé, surmonte cette limitation. Ressemblant à une micro-usine, le système alimente une puce en verre microfluidique logée dans un boîtier en aluminium. À l'intérieur, des canaux parallèles permettent de mélanger les composants sous une pression précisément contrôlée. Contrairement aux systèmes sériels, cette architecture permet de fabriquer jusqu'à huit formulations distinctes simultanément. Une fois les particules créées, elles sont collectées dans une plaque de puits pour analyse. Grâce à la capacité de nettoyage rapide des canaux, la machine fonctionne en continu et peut générer environ 1 000 formulations de LNP distinctes par heure. Cette vitesse représente une accélération d'un facteur 100 par rapport aux méthodes manuelles traditionnelles. Cette production massive de données variées et de haute qualité constitue le carburant nécessaire pour l'intelligence artificielle. Sans ces données, les algorithmes d'apprentissage machine ne peuvent pas identifier les motifs cachés reliant la structure chimique aux effets biologiques. Les chercheurs espèrent que cette technologie permettra de passer d'une approche basée sur l'essai et l'erreur à une conception rationnelle des LNP. David Issadore et Michael Mitchell, auteurs principaux de l'étude publiée dans ACS Nano, décrivent cette évolution comme un passage crucial du criblage vers la conception. L'objectif futur n'est plus de tester aléatoirement des variations pour voir ce qui fonctionne, mais de définir les propriétés souhaitées d'une nanoparticule à l'avance et de concevoir la formulation exacte pour les obtenir. Cette innovation ouvre la voie au développement accéléré de thérapies pour des maladies génétiques et des infections résistantes aux antibiotiques. En fournissant les données nécessaires pour entraîner des modèles prédictifs fiables, LIBRIS pourrait débloquer le plein potentiel des thérapies basées sur les LNP, transformant une discipline qui reposait largement sur la chance en une science de la conception précise et prédictive.