Une équipe de recherche dirigée par la professeure Olivia Merkel, titulaire de la chaire de délivrance de médicaments à l’Université Ludwig-Maximilians de Munich (LMU) et co-porte-parole du Cluster pour les thérapies à l’acide nucléique Munich (CNATM), a mis au point la première plateforme intégrée combinant simulations de dynamique moléculaire (MD) et apprentissage automatique (ML) pour identifier de nouveaux matériaux polymères destinés au transport thérapeutique de l’ARN. Ce cadre computationnel innovant permet de surmonter les limites des approches traditionnelles, souvent longues et coûteuses, dans la recherche de matériaux capables de protéger l’ARN fragile, de le délivrer efficacement dans les cellules cibles et de le libérer au bon moment. En combinant la précision des simulations moléculaires — qui modélisent le comportement des molécules à l’échelle atomique — avec la puissance d’analyse des algorithmes d’apprentissage automatique, la plateforme peut explorer de manière rapide et systématique un vaste espace de matériaux polymères potentiels. Les simulations MD fournissent des données détaillées sur la stabilité, la structure et les interactions entre les polymères et les molécules d’ARN, tandis que l’apprentissage automatique traite ces données pour prédire les performances des matériaux dans des conditions biologiques réalistes. Cette synergie permet non seulement d’accélérer le processus de découverte, mais aussi d’identifier des combinaisons polymères inédites aux propriétés optimisées pour la délivrance d’ARN thérapeutique. Cette avancée représente une étape clé dans le développement de thérapies à base d’ARN, comme les ARN interférents (ARNi) ou les ARN messagers (ARNm), utilisés dans des domaines allant des maladies génétiques aux traitements anticancéreux. En réduisant le temps et les ressources nécessaires pour concevoir des vecteurs efficaces, la plateforme ouvre la voie à une personnalisation plus rapide et plus ciblée des traitements. Grâce à cette approche intégrée, les chercheurs espèrent non seulement améliorer la fiabilité et la sécurité des systèmes de délivrance, mais aussi faciliter la transition des découvertes scientifiques vers des applications cliniques. L’innovation développée par l’équipe de la LMU constitue ainsi un pilier fondamental pour l’avenir des thérapies à l’ARN, en rendant leur conception plus intelligente, plus rapide et plus efficace.