La recherche de nouveaux médicaments est un parcours lent, coûteux et souvent frustrant. Les scientifiques doivent trouver de minuscules molécules capables de se fixer sur des cibles spécifiques dans le corps pour arrêter une maladie, mais ces mêmes molécules doivent également survivre au voyage à travers la circulation sanguine, éviter d'être détruites par le foie et ne pas empoisonner les cellules saines. Pendant des décennies, les chercheurs ont tenté d'apprendre aux ordinateurs à prédire ces résultats en leur montrant des images de molécules, généralement représentées sous forme de chaînes de texte ou de diagrammes d'atomes connectés. Cependant, une molécule n'existe pas dans le vide ; son comportement dépend entièrement de la façon dont elle interagit avec les systèmes vivants complexes qui l'entourent. Un modèle qui ne voit que la forme d'une molécule est comme une carte qui montre le terrain mais ignore la météo, le trafic et les lois locales. Elle peut vous dire où va une route, mais pas si une voiture peut réellement y circuler.

Pour résoudre cela, une équipe de chercheurs a développé un nouveau type d'intelligence artificielle appelé Mol-JEPA. Au lieu d'essayer de deviner l'avenir d'une molécule en modifiant légèrement sa forme — une méthode qui mène souvent à l'absurde car de minuscules changements en chimie peuvent provoquer de grands changements de comportement — ce système apprend en observant la molécule sous de nombreux angles à la fois. Imaginez essayer de comprendre une personne non seulement par son visage, mais en écoutant sa voix, en observant ses mouvements, en lisant son dossier médical et en observant comment elle réagit à différents aliments. Mol-JEPA fait exactement cela pour les produits chimiques. Il rassemble une quantité massive d'informations sur près de cinq millions de molécules, incluant leur structure atomique, la façon dont elles se lient aux protéines, comment elles affectent les cellules et leurs propriétés physiques. Le système s'exerce ensuite à un jeu de prédiction : il cache une partie de cette information et tente de deviner laquelle il est en se basant sur le reste. En remplissant de manière répétée ces pièces manquantes, l'ordinateur acquiert une compréhension profonde et unifiée de la façon dont les molécules se comportent dans le monde réel, plutôt que de simplement mémoriser leurs formes statiques.

Les chercheurs ont construit ce modèle à l'aide d'une vaste collection de données provenant de bases de données publiques et de nouveaux calculs. Ils ont combiné des mesures chimiques standards avec des simulations avancées de la façon dont les atomes se déplacent et interagissent, ainsi que des données issues d'expériences mesurant comment les médicaments affectent les cellules vivantes. Au total, ils ont créé un ensemble de données contenant près de cinq millions de composés uniques, chacun décrit par jusqu'à quatorze types d'informations différents. Certaines de ces descriptions provenaient de modèles informatiques existants qui avaient déjà appris à reconnaître des motifs en chimie, tandis que d'autres étaient calculées à partir de zéro en utilisant la physique quantique. L'équipe a ensuite entraîné leur IA pour qu'elle agisse comme un « modèle de monde », un système qui comprend les règles de l'univers chimique. Pendant l'entraînement, l'ordinateur regardait la structure d'une molécule et ses effets cellulaires, par exemple, puis devait prédire sa force de liaison à une protéine spécifique, ou vice versa. Si l'ordinateur se trompait dans la prédiction, il ajustait sa compréhension interne jusqu'à ce qu'il réussisse. Ce processus a permis au modèle d'apprendre les connexions cachées entre la forme d'une molécule et son comportement biologique sans avoir besoin qu'on lui enseigne explicitement les règles.

Lorsque l'équipe a testé ce nouveau modèle face à d'autres systèmes d'intelligence artificielle de pointe, les résultats ont été frappants. Le modèle a obtenu de meilleurs résultats que ses concurrents sur un large éventail de tâches difficiles, particulièrement lorsque les données étaient rares. Dans le monde réel de la découverte de médicaments, les scientifiques doivent souvent prendre des décisions basées sur de très petites quantités de données expérimentales, et c'est là que le nouveau modèle a excellé. Il a été capable de généraliser ses connaissances à des molécules qu'il n'avait jamais vues auparavant, maintenant une grande précision même lorsque les molécules de test étaient chimiquement très différentes de celles étudiées pendant son entraînement. Les chercheurs ont constaté que le succès du modèle provenait de sa capacité à utiliser tous les différents types d'informations qui lui avaient été fournis. Lorsqu'ils retiraient certains types de données, comme la structure 3D détaillée de la molécule ou ses effets cellulaires, les performances du modèle ne montraient que des différences mineures, suggérant que les représentations apprises contiennent un degré de redondance où l'information est encodée à travers plusieurs modalités. Le système ne s'est pas contenté de mémoriser les données ; il a appris à raisonner sur les relations entre les différentes propriétés chimiques.

L'une des découvertes les plus importantes était que le modèle n'avait pas besoin d'être parfait pour chaque tâche pour être utile. Au lieu de cela, il a appris une représentation flexible des molécules qui pouvait être adaptée à de nombreux problèmes différents. Les chercheurs ont testé le modèle sur plusieurs tests de référence exigeants, notamment la prédiction de la façon dont un médicament serait absorbé par le corps ou sa potentielle toxicité. Dans presque tous les cas, le nouveau modèle a surpassé les meilleures méthodes précédentes. Il était particulièrement efficace pour gérer le problème de la « distribution hors échantillon » (out-of-distribution), qui est la difficulté de prédire comment une nouvelle molécule inconnue se comportera lorsqu'elle est chimiquement distincte de tout ce qui figurait dans les données d'entraînement. En apprenant à partir d'un large spectre de contextes biologiques et physiques, le modèle a construit une compréhension robuste qui lui a permis de faire des conjectures fiables sur des composés nouveaux. Cela suggère que l'avenir de la découverte de médicaments pourrait ne pas résider dans la création de modèles plus grands qui se contentent de mémoriser plus de données, mais dans la création de modèles plus intelligents capables d'intégrer diverses sources d'information pour comprendre la réalité complexe du fonctionnement des médicaments.

L'étude a également révélé que tous les types d'informations n'étaient pas également importants, bien que le système ait bénéficié de leur présence globale. Les chercheurs ont découvert que la modalité de graphe, qui représente la connectivité et la structure de la molécule, était l'information la plus critique pour la performance en aval, mais que les empreintes chimiques et les données sur l'interaction des molécules avec les cellules étaient également vitales. Curieusement, le modèle a pu apprendre efficacement même lorsque certaines données étaient manquantes ou éparses, un problème courant dans la recherche scientifique. Cette résilience suggère que l'approche pourrait être appliquée à d'autres domaines où les données sont incomplètes ou difficiles à obtenir, comme la science des matériaux ou la biologie. L'équipe a noté que, bien que le modèle soit puissant, il ne s'agit pas d'une solution magique ; il nécessite toujours une sélection minutieuse des données dont il apprend, et il existe des limites quant à sa capacité de prédiction pour des molécules totalement différentes de tout ce qu'il a déjà rencontré. Cependant, le succès de cette approche marque une étape importante vers la création d'une intelligence artificielle capable de véritablement comprendre le monde chimique, passant du simple appariement de motifs à un raisonnement contextuel plus profond qui reflète la complexité même de la vie.