Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

Imaginez le monde des envahisseurs minuscules et invisibles — les bactéries et les champignons — qui nous rendent parfois malades. Pendant longtemps, nous avons possédé des armes spéciales appelées antibiotiques pour combattre ces envahisseurs, mais ces derniers deviennent rusés. Ils apprennent à esquiver nos armes, un problème que les scientifiques appellent la « résistance antimicrobienne ». C'est comme un jeu de cache-cache où les chercheurs se cachent de mieux en mieux, et nous devons trouver de nouvelles façons de les attraper. Une idée prometteuse est de regarder dans la propre pharmacie de la nature, plus précisément dans les champignons. Certains champignons, comme le pleurote (Pleurotus ostreatus), sont célèbres pour produire des substances chimiques capables d'arrêter ces méchants microbes dans leur élan. Encore plus cool : ces champignons peuvent pousser sur des choses que nous jetons habituellement, comme les épluchures de racines de manioc. Mais voici la partie délicate : tester chaque lot de champignons contre chaque microbe est lent, coûteux et demande beaucoup de travail. Les scientifiques se demandent s'ils peuvent utiliser une « boule de cristal » faite de mathématiques et d'ordinateurs — appelée Apprentissage Automatique (Machine Learning) — pour deviner quels extraits de champignons fonctionneront le mieux avant même de commencer les tests de laboratoire salissants.

Cet article est une étude de « preuve de concept », une façon élégante de dire : « Essayons une petite expérience pour voir si cette idée de boule de cristal est même possible. » Les chercheurs ont fait pousser des pleurotes sur des épluchures de manioc, puis ont fabriqué deux types d'extraits liquides à partir d'eux : l'un utilisant de l'alcool (éthanol) et l'autre de l'eau. Ils ont testé ces liquides contre sept types différents de microbes pour voir comment ils empêchaient la croissance des microbes. Au lieu de simplement observer les résultats, ils ont injecté toutes les données dans un programme informatique appelé « Forêt Aléatoire » (Random Forest). Imaginez ce modèle comme un détective super organisé qui cherche des indices — comme le type de liquide utilisé pour faire l'extrait, le type de microbe qu'il combat et la composition chimique du lot de champignons — pour prédire le résultat.

Le détective a fait un travail décent pour une tâche spécifique : prédire la taille de la « zone d'inhibition ». Imaginez dessiner un cercle sur une boîte de Petri où les microbes ne peuvent pas croître ; plus le cercle est grand, mieux l'extrait de champignon fonctionne. Le modèle informatique pouvait deviner la taille de ce cercle avec un succès modéré, obtenant un score de précision (R-carré) de 0,68. Il était plutôt doué pour deviner que de grands cercles se produiraient dans certaines conditions. L'indice le plus important que le détective a trouvé était le solvant d'extraction. Le fait que l'extrait ait été fait avec de l'alcool ou de l'eau importait bien plus que les infimes différences chimiques entre les lots de champignons. En fait, la composition chimique spécifique des champignons contribuait très peu à la prédiction.

Cependant, le détective s'est heurté à un mur lorsqu'il a essayé de prédire autre chose : la Concentration Minimale Inhibitrice (CMI). Il s'agit d'une mesure de la quantité d'extrait nécessaire pour arrêter complètement le microbe. Lorsque l'ordinateur a essayé de deviner si l'extrait était assez fort pour être un « gagnant » ou un « perdant », il a mal performé, ne trouvant la bonne réponse que 43 % du temps. Il tâtonnait littéralement dans le noir. Cela signifie que les indices dont disposaient les scientifiques — comme la chimie du lot et le type de microbe — n'étaient pas suffisants pour faire la différence entre un extrait fort et un extrait faible.

Alors, quel est le verdict ? L'étude suggère que l'apprentissage automatique peut être un aide utile pour explorer les médicaments à base de champignons, mais ce n'est pas encore une baguette magique. L'ordinateur a appris que le type de liquide utilisé pour fabriquer l'extrait est un point crucial, mais il n'a pas réussi à comprendre les détails plus fins de la force du médicament. Les auteurs précisent avec prudence que ces résultats ne sont que le début. Comme ils n'ont testé qu'un petit nombre d'échantillons (42 observations) et seulement trois lots de champignons, l'image est encore un peu floue. Pour construire une véritable boule de cristal fiable, ils affirment que nous avons besoin de bases de données beaucoup plus vastes, en testant bien plus de types de champignons et de microbes, avec des mesures chimiques encore plus détaillées. Pour l'instant, cette étude est une première étape amusante et prometteuse qui montre le potentiel du mélange de la biologie et de l'informatique, même si l'ordinateur a encore besoin de beaucoup de devoirs avant de pouvoir remplacer la paillasse de laboratoire.