An AI System for Autonomous Algorithm Evolution in Drug Development

Le voyage consistant à transformer une idée scientifique en un médicament qui aide les gens est une route longue et sinueuse, parsemée de nombreux points de contrôle différents. Il commence par la recherche de la bonne cible biologique, passe par la découverte d'une molécule capable d'interagir avec elle, et se poursuit par des tests rigoureux en laboratoire et finalement chez des volontaires humains. Depuis des décennies, les scientifiques s'appuient sur des programmes informatiques spécialisés pour accélérer chacune de ces étapes. Ces programmes sont comme des outils hautement qualifiés, mais ils sont construits par des experts humains qui doivent les concevoir soigneusement pour une tâche spécifique. Si un outil fonctionne bien pour trouver une cible thérapeutique, il ne peut souvent pas être utilisé pour tester ce médicament lors d'un essai clinique. Cela signifie qu'au fur et à mesure que le processus progresse, les outils doivent être constamment reconstruits et réajustés à la main, un processus lent et laborieux qui limite la rapidité avec laquelle de nouveaux médicaments peuvent être découverts.

Une équipe de chercheurs a maintenant introduit un nouveau système appelé DrugEvolve, conçu pour changer la manière dont ces outils informatiques sont fabriqués. Au lieu de compter sur les humains pour construire un nouvel algorithme pour chaque tâche, ce système agit comme un moteur autonome capable de s'améliorer lui-même. Il fonctionne en simulant une petite équipe d'experts autonomes travaillant ensemble. Une partie du système agit comme un chercheur, utilisant les connaissances scientifiques pour proposer de nouvelles idées sur la façon dont un algorithme devrait fonctionner. Une autre partie agit comme un ingénieur, prenant ces idées et écrivant le code réel pour les faire fonctionner. Une troisième partie sert d'analyste, testant le nouveau code par rapport aux données pour voir s'il est plus performant que l'ancienne version. Si la nouvelle version fonctionne, le système la conserve et utilise ce succès comme expérience pour améliorer le cycle de modifications suivant. Cela crée une boucle continue où le logiciel conçoit, construit, teste et affine ses propres méthodes sans avoir besoin qu'un humain écrive le code pour chaque étape.

Les chercheurs ont testé ce système auto-améliorant à travers onze tâches différentes qui couvrent l'ensemble du pipeline de développement de médicaments, de l'identification des cibles biologiques à la réalisation d'essais cliniques. Lors de ces tests, DrugEvolve a pris des algorithmes existants et leur a permis d'évoluer de manière autonome. Les résultats ont montré que le système était capable de booster significativement les performances des algorithmes sur lesquels il travaillait. Mesurés par rapport à 120 ensembles de tests standards utilisés par les scientifiques pour vérifier leur travail, les algorithmes évolués ont montré des améliorations substantielles. Le système s'est avéré assez flexible pour traiter des types d'informations très différents, passant de manière fluide entre des données qui ressemblent à des séquences biologiques, des données qui cartographient des structures moléculaires, et des données écrites en langage clair. Il a réussi tant dans les tâches de prédiction de résultats, comme deviner comment un médicament va se comporter, que dans les tâches de génération de nouvelles possibilités, comme la conception de nouvelles molécules.

La portée de ce travail réside dans sa capacité à créer un système qui apprend de sa propre histoire. En combinant les rôles de chercheur, d'ingénieur et d'analyste en une seule boucle automatisée, le système ne se contente pas de suivre un ensemble d'instructions ; il cherche activement de meilleures façons de résoudre les problèmes. Les auteurs suggèrent que cette approche pourrait servir d'infrastructure fondamentale pour l'avenir du développement de médicaments, où les outils eux-mêmes deviennent plus intelligents au fil du temps. Au-delà de la médecine, la méthode offre une nouvelle façon d'aborder d'autres domaines scientifiques complexes, montrant qu'une machine peut être enseignée non seulement à accomplir une tâche, mais aussi à réinventer la manière dont elle accomplit cette tâche. Le système a démontré qu'il pouvait généraliser son apprentissage, ce qui signifie que les améliorations apportées dans un domaine pouvaient être appliquées à différents types de données et à différentes étapes du processus, prouvant que l'évolution autonome est une voie viable pour faire progresser la découverte scientifique.