L'IA prédit les temps de rétention des petites molécules
Des chercheurs de l'Université Friedrich Schiller de Iéna, associés au centre Helmholtz de Munich et à l'Université technique de Munich, ont mis au point un modèle d'intelligence artificielle capable de prédire avec fiabilité les temps de rétention de petites molécules. Ces travaux, publiés dans la revue Nature Methods en 2026, répondent à un défi de longue date en chimie analytique. L'analyse de composés complexes, tels que les métabolites, les substances pharmaceutiques ou les toxines, repose souvent sur la chromatographie liquide. Cette technique sépare les molécules au sein d'une colonne, et le moment précis où chacune en émerge, appelé temps de rétention, sert d'indicateur majeur pour leur identification. Or, ces temps varient fortement selon les conditions expérimentales : type de colonne, composition du solvant, pH, température, voire de simples variations techniques du matériel. Historiquement, les algorithmes prédictifs devaient être longuement calibrés et entraînés sur les données de chaque instrument spécifique avant de devenir opérationnels, une démarche chronophage et coûteuse. L'équipe dirigée par le professeur Sebastian Böcker et le docteur Fleming Kretschmer a révolutionné cette approche en concevant une méthode autonome en deux étapes. Le modèle prend en entrée la structure chimique de la molécule et les paramètres chromatographiques. Il calcule d'abord un indice de position relative dans la séquence d'élution, indépendamment des temps absolus. Une seconde phase convertit cet indice en un temps de rétention précis à l'aide de quelques points de référence mesurés sur l'appareil. Techniquement, l'algorithme encode les structures moléculaires via un réseau neuronal graphique et intègre les conditions expérimentales à l'aide de réseaux à propagation directe. Le résultat majeur de cette innovation réside dans son indépendance vis-à-vis d'un apprentissage préalable spécifique. Le système produit des prédictions précises dès sa première utilisation, y compris sur des configurations instrumentales inédites ou pour des composés non répertoriés. Selon les auteurs, il surpasse nettement les modèles traditionnels qui dépendent de longues phases d'entraînement sur le système cible. Disponible sous forme de logiciel et d'application web, l'outil baptisé 2-step s'adresse directement à la découverte de médicaments, à la recherche sur les produits naturels, à l'analyse environnementale et au contrôle qualité industriel. Les chercheurs prévoient son intégration prochaine dans les suites logicielles des chromatographes couplés à la spectrométrie de masse, permettant ainsi aux laboratoires d'automatiser l'identification des substances à partir de leur structure et des paramètres de mesure, sans nécessiter de longues étapes de calibration.
