Human-supervised Agentic AI for Hypothesis Generation and Experimental Assistance in Drug Repurposing

Les auteurs présentent RepurAgent, un système d'IA agentic supervisé par l'humain qui couvre l'ensemble du cycle de vie du repositionnement de médicaments, de la génération d'hypothèses à l'analyse expérimentale, et démontrent son efficacité dans trois scénarios thérapeutiques distincts.

L'essentiel

Imaginez que la recherche de nouveaux médicaments est comme une immense bibliothèque où l'on cherche un livre précis pour guérir une maladie. Traditionnellement, les ordinateurs étaient de brillants bibliothécaires qui pouvaient lire des millions de livres en une seconde pour suggérer une idée. Mais ils s'arrêtaient là : ils ne pouvaient pas vérifier si l'idée tenait la route, ni organiser l'expérience pour la tester, ni analyser les résultats.

C'est là qu'intervient RepurAgent, décrit dans cette nouvelle étude. Au lieu d'être un simple bibliothéraire, RepurAgent est un chef d'orchestre intelligent qui dirige toute une équipe pour mener une mission du début à la fin.

Voici comment cela fonctionne, avec des images simples :

1. L'Équipe de Super-Héros (L'IA Agente)

RepurAgent n'est pas un seul robot, c'est une équipe collaborative dirigée par un Superviseur (le capitaine). Ce capitaine ne fait pas tout le travail lui-même ; il délègue à quatre spécialistes :

• Le Chercheur : Il fouille dans les archives (la littérature scientifique) pour trouver des indices.
• Le Prévisionniste : Il utilise la logique pour deviner quelles combinaisons pourraient fonctionner.
• L'Analyste de Données : Il regarde les chiffres bruts des expériences comme un détective.
• Le Rédacteur : Il assemble tout cela dans un rapport clair.

Mais il y a un élément crucial : un humain est toujours dans la boucle. Imaginez que ce chef d'orchestre a un directeur artistique humain qui vérifie les partitions avant le concert. Cela évite que l'IA ne s'égare ou ne fasse des erreurs bêtes. De plus, l'IA a une mémoire : elle se souvient de ce qu'elle a appris lors des expériences précédentes, comme un cuisinier qui se souvient que le sel a trop salé le plat la semaine dernière.

2. Trois Missions Réussies

L'équipe a testé ce système sur trois cas très différents, un peu comme si on envoyait cette équipe résoudre trois énigmes différentes :

• Le Cas de la Leucémie (La Course de Vitesse) :
  Face à une maladie du sang complexe, RepurAgent a dû retrouver des pistes cachées. En moins d'une heure (le temps de boire un café !), il a retrouvé 97 % des pistes importantes que des experts humains avaient mises des mois à trouver. C'est comme si un détective avait résolu une enquête de 10 ans en une après-midi.

• Le Cas du COVID-19 (Le Partenaire de Jeu Adaptatif) :
  Ici, l'IA devait tester des médicaments contre le virus. Au lieu de suivre un script rigide, elle a agi comme un partenaire de jeu vidéo intelligent. Elle a changé sa stratégie en temps réel, repéré des pièges (des facteurs qui faussent les résultats) que les humains avaient manqués, et a sélectionné les meilleurs candidats avec une précision quasi parfaite (98 % de réussite).

• Le Cas de la Maladie Rare (Le Filtre à Pépite) :
  Pour une maladie génétique rare, il y avait 5 000 candidats potentiels (comme 5 000 aiguilles dans une botte de foin). RepurAgent a réussi à en isoler 82 très prometteurs. Les experts humains ont ensuite confirmé que ces 82 choix étaient excellents. C'est comme si un tamis magique avait séparé instantanément les pépites d'or du sable.

En Résumé

Ce papier nous dit que l'avenir de la découverte de médicaments n'est pas seulement de générer des idées, mais d'avoir un assistant tout-en-un capable de :

1. Trouver une idée.
2. Planifier comment la tester.
3. Analyser les résultats.
4. Améliorer l'idée en boucle.

RepurAgent est comme un co-pilote pour les scientifiques : il ne remplace pas le pilote humain, mais il le rend beaucoup plus rapide, plus précis et capable de voyager plus loin. Et la bonne nouvelle ? C'est un outil gratuit et ouvert à tous, disponible sur internet pour aider le monde entier à trouver de nouveaux traitements.

Résumé technique

1. Problématique

Le repositionnement de médicaments (drug repurposing) repose actuellement majoritairement sur la génération rapide d'hypothèses computationnelles. Cependant, cette approche ne couvre qu'une fraction du cycle de vie réel de la découverte de médicaments. Les applications pratiques s'étendent bien au-delà de la simple suggestion de candidats : elles incluent la conception d'expériences, l'analyse de données d'essais biologiques (assays) et l'affinement itératif des candidats. Il existe un besoin critique d'un système capable de gérer l'ensemble de ce cycle de vie de manière intégrée, plutôt que de se limiter à des tâches isolées.

2. Méthodologie : RepurAgent

Pour répondre à ce défi, les auteurs ont développé RepurAgent, un système d'intelligence artificielle agentic hiérarchique et supervisé par l'humain. L'architecture repose sur les composants suivants :

• Structure Hiérarchique Multi-Agents : Le système est orchestré par un agent superviseur et un agent de planification. Ces deux entités coordonnent quatre sous-agents spécialisés :
  • Agent de recherche : Pour l'exploration de la littérature et des bases de données.
  • Agent de prédiction : Pour les modèles computationnels de ciblage.
  • Agent de données : Pour la gestion et l'analyse des résultats expérimentaux.
  • Agent de rapport : Pour la synthèse et la documentation.
• Boucle Humaine (Human-in-the-Loop) : Le système intègre une supervision humaine pour valider les étapes critiques, assurant ainsi la sécurité et la pertinence des décisions.
• Mémoire et Contexte : L'architecture utilise une mémoire épisodique et une génération augmentée par la récupération (RAG) pour maintenir le contexte sur le long terme et accéder aux connaissances pertinentes.
• Ancrage Domaines Spécifiques : Le système est ancré dans des données, des outils et des procédures opérationnelles standard (SOP) spécifiques au repositionnement de médicaments, développés dans le cadre du consortium REMEDi4ALL.

3. Contributions Clés

• Extension du Cycle de Vie : Démontrez la capacité d'une IA agentic à couvrir l'intégralité du processus de repositionnement, de la génération d'hypothèses à l'analyse expérimentale finale.
• Architecture Adaptative : Création d'un système capable de s'adapter dynamiquement aux besoins de différentes étapes (conception d'expérience, analyse de données) sans seuils prédéfinis rigides.
• Outils Open Source : Mise à disposition du code source et d'un déploiement public du système, favorisant la reproductibilité et l'adoption par la communauté scientifique.

4. Résultats de Validation

Le système a été validé sur trois scénarios couvrant différentes étapes du cycle de repositionnement :

1. Leucémie Myéloïde Aiguë (LMA) :

   • Objectif : Récupération des voies biologiques pertinentes pour la maladie.
   • Résultat : RepurAgent a identifié jusqu'à 97 % des voies pertinentes détectées par Google Co-Scientist.
   • Efficacité : L'ensemble du flux de travail a été complété en moins de 60 minutes.

2. Dépistage rétrospectif d'antiviraux contre la COVID-19 :

   • Objectif : Agir comme un collaborateur expérimental adaptatif pour prioriser les composés.
   • Résultat : Le système a priorisé des composés avec une AUC-ROC allant jusqu'à 0,98, sans utiliser de seuils de décision prédéfinis. Il a également réussi à signaler des facteurs de confusion (confounders) qui avaient été manqués lors des revues manuelles.

3. Déficits des Sulfatases Multiples (MSD) :

   • Objectif : Priorisation de candidats parmi une large bibliothèque.
   • Résultat : Sur un ensemble de 5 000 composés, le système a sélectionné 82 candidats à haute confiance. Ces sélections ont ensuite été corroborées par des experts du domaine.

5. Signification et Impact

Ces résultats démontrent que l'IA agentic supervisée par l'humain peut transformer le repositionnement de médicaments en passant d'une approche fragmentée à une gestion holistique du cycle de vie. En automatisant non seulement la génération d'hypothèses mais aussi la conception expérimentale et l'analyse de données, RepurAgent accélère considérablement le processus de découverte tout en maintenant un haut niveau de rigueur scientifique grâce à la supervision humaine.

Le système est disponible en open source et déployé à l'adresse suivante : https://repuragent.serve.scilifelab.se/, ce qui en fait une ressource accessible pour la communauté de recherche pharmaceutique.