Cornell lance AIMe pour cartographier les molécules par IA

Des chercheurs de l'Institut Boyce Thompson et de l'Université Cornell ont développé AIMe, un outil d'intelligence artificielle capable de cartographier et d'identifier des milliers de petites molécules invisibles aux méthodes traditionnelles. Développé par le professeur Frank Schroeder et la professeure Carla Gomes, AIMe s'attaque à un goulot d'étranglement majeur en biologie : plus de 80 pour cent des composés détectés dans les échantillons biologiques ne correspondent à aucune structure connue dans les bases de données expérimentales existantes. La spectrométrie de masse, méthode standard pour identifier ces molécules, repose sur la comparaison des spectres expérimentaux avec des bibliothèques de référence. Or, ces bibliothèques couvrent moins d'un pour cent des composés connus et leur création manuelle est lente et coûteuse. AIMe contourne ce problème en utilisant une approche d'intelligence artificielle neuro-symbolique baptisée DeepMS2Reasoner. Au lieu d'attendre des données expérimentales, le modèle simule la fragmentation des molécules en combinant des règles chimiques symboliques pour déterminer les étapes physiquement plausibles et un réseau de neurones pour en calculer la probabilité. Le résultat est une prédiction spectrale précise accompagnée d'une carte interprétable expliquant comment la molécule se désassemble. Ces 800 millions de spectres prédits forment la base de MS2KOSMOS, une resource qui élargit l'espace chimique consultable d'un facteur mille. Pour valider son approche, l'équipe a appliqué AIMe à des données métabolomiques comparatives issues de souris. En opposant des souris sans flore intestinale à des souris conventionnelles, les chercheurs ont isolé plusieurs milliers de différences chimiques. La plupart restaient non identifiées via les méthodes classiques. AIMe a permis d'identifier directement environ un tiers des composés microbiens les plus abondants. Pour les autres, il a regroupé les spectres inconnus autour de familles structurelles apparentées, offrant des pistes de recherche concrètes. Deux polyamines particulières ont servi d'étude de cas. Les prédictions ont guidé la synthèse de candidats jusqu'à l'identification d'une macrocycle polyamine inédite, une structure en forme d'anneau jamais observée auparavant dans la biologie animale ou humaine. Des vérifications ultérieures ont confirmé sa présence dans plus de la moitié des échantillons fécaux humains analysés. L'outil a également été testé à une échelle massive sur plus de sept millions de clusters spectraux provenant de la base de données Global Natural Products Social Molecular Networking. Là où les annotations antérieures ne couvraient que 416 000 entrées, AIMe en a fourni des propositions pour environ 2,69 millions en appliquant les mêmes seuils de similarité. Ces résultats démontrent la capacité d'AIMe à accélérer considérablement la recherche métabolique et la découverte de molécules liées au microbiome, à l'alimentation et au système immunitaire. La plateforme sera accessible en ligne et le code source publié lors de la parution officielle de l'étude, actuellement disponible en prépublication sur bioRxiv.