Synthesis-aware generative design in trillion-scale chemical spaces for automated drug discovery
L'article présente Hyper Screening X, un cadre d'IA générative qui intègre la conception basée sur la structure à un matériel de synthèse automatisé pour naviguer efficacement dans des espaces chimiques de l'échelle du trillion, identifiant avec succès des composés chefs de file de premier rang avec des taux de réussite élevés en termes de synthèse et de fonctionnalité.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
La recherche de nouveaux médicaments a longtemps été un jeu de hasard joué contre un océan de possibilités. Les scientifiques savent que l'univers chimique contient des billions de molécules potentielles, un vaste paysage où un seul composé pourrait détenir la clé pour guérir une maladie. Pendant des décades, l'approche standard consistait à construire de massives bibliothèques numériques de ces médicaments potentiels et à utiliser des ordinateurs pour les cribler, cherchant ceux qui pourraient s'ajuster à une cible biologique comme une clé dans une serrure. Cependant, cette méthode se heurte à un mur. Les ordinateurs suggèrent souvent des molécules qui semblent parfaites à l'écran mais qui sont impossibles à construire dans un laboratoire réel, ou ils échouent à trouver les rares et parfaits candidats cachés au sein du volume colossal de données. L'écart entre ce qu'un ordinateur peut imaginer et ce qu'un chimiste peut réellement créer est resté une barrière tenace à la rapidité de la découverte de médicaments.
Une équipe de chercheurs a désormais comblé ce fossé avec un nouveau système qui ne se contente pas d'imaginer des molécules, mais les conçoit spécifiquement pour être construites. Ils ont créé un cadre d'intelligence artificielle appelé Hyper Screening X, qui fonctionne différemment des outils précédents. Au lieu de scanner une liste statique d'options pré-établies, ce système agit comme un architecte guidé. Il comprend les règles strictes de la construction chimique, sachant exactement quels blocs de construction sont disponibles et comment ils peuvent être connectés dans un laboratoire réel. En intégrant ces contraintes physiques directement dans son processus de réflexion, l'IA explore un espace chimique de onze billions de composés, un nombre si grand qu'il faudrait une vie humaine pour en vérifier même une infime fraction. Le système ne perd pas de temps sur des structures impossibles ; il navigue dans ce paysage de l'échelle du billion en ne considérant que des molécules qui peuvent être assemblées par des machines automatisées, garantissant que chaque idée qu'il génère est prête pour la paillasse du laboratoire.
Pour tester si cette approche fonctionne dans le monde réel, les chercheurs se sont tournés vers une cible biologique difficile : une protéine appelée SLC1A5_var, qui agit comme un transporteur de glutamine à l'intérieur des mitochondries des cellules. Cette protéine est cruciale pour certains types de cancer, mais elle a été notoirement difficile à cibler avec des médicaments en raison de sa structure complexe. L'équipe a demandé à son IA de concevoir des molécules qui bloqueraient cette protéine tout en respectant des normes strictes de sécurité et de chimie. Le système a généré des millions de candidats et a sélectionné les vingt-trois meilleurs en fonction de leur capacité prédite à se lier à la cible et de la facilité de leur synthèse. Ces vingt-trois conceptions ont ensuite été envoyées directement à une plateforme de synthèse automatisée, un système robotique qui construit des molécules sans intervention humaine. Le résultat fut frappant : vingt-deux des vingt-trois conceptions ont été construites avec succès, soit un taux de réussite de près de quatre-vingt-seize pour cent. Ce taux de réussite élevé a prouvé que l'IA ne faisait pas que deviner ; elle prédisait avec précision ce qui pouvait être physiquement fabriqué.
Une fois les molécules en main, les chercheurs les ont testées pour voir si elles fonctionnaient réellement. Ils ont découvert que onze des vingt-deux composés synthétisés arrêtaient avec succès la fonction de la protéine, un taux de réussite de cinquante pour cent qui est exceptionnellement élevé pour la phase initiale de la découverte de médicaments. Deux de ces composés se sont distingués comme étant particulièrement prometteurs. Ils étaient capables de bloquer la protéine avec une grande précision, empêchant le transport de la glutamine sans endommager les cellules saines. Des expériences plus poussées ont révélé comment ils fonctionnaient : les composés se sont fixés sur un site caché de la protéine, provoquant l'effondrement de la structure de celle-ci et désactivant sa fonction. Cette perturbation a entraîné un effondrement de la production d'énergie des cellules cancéreuses, les affamant efficacement. Les deux principaux composés ont montré une activité puissante à de très faibles concentrations, l'un d'eux nécessitant seulement 231,2 nanomolaires pour atteindre l'effet demi-maximal, et ils maintenaient une marge de sécurité large, signifiant qu'ils pouvaient tuer les cellules cancéreuses sans endommager les cellules normales.
La portée de ce travail réside dans sa capacité à transformer le pouvoir abstrait de l'intelligence artificielle en une réalité concrète et physique. Les méthodes précédentes produisaient souvent des listes de molécules qui semblaient bonnes sur un écran d'ordinateur mais échouaient lorsque les chimistes tentaient de les fabriquer, ou elles nécessitaient de nombreux essais et erreurs humains pour trouver une solution fonctionnelle. Ce nouveau système élimine ce décalage en concevant simultanément le médicament et son processus de fabrication. Les chercheurs ont démontré qu'en respectant les règles de la chimie dès le début, ils pouvaient naviguer dans un espace de onze billions de possibilités pour trouver des solutions rares et efficaces. La découverte de ces deux nouveaux composés, qui ciblent une protéine auparavant non traitable avec une haute précision, suggère que l'avenir de la découverte de médicaments ne sera pas de chercher une aiguille dans une botte de foin, mais de construire une machine capable de tisser l'aiguille elle-même. Cette approche offre une voie pratique vers une découverte de médicaments entièrement autonome, où le cycle de conception, de construction et de test se déroule de manière fluide, accélérant le voyage d'une idée scientifique vers un médicament salvateur.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.