Deep Ensemble Learning with Graph Attention Mechanisms for Molecular Classification of HIV Inhibitors

La recherche de nouveaux médicaments donne souvent l'impression de chercher une aiguille dans une botte de foin, mais la botte de foin est composée de milliards de petites formes complexes appelées molécules. Pendant des décennies, les scientifiques se sont appuyés sur des expériences physiques pour tester quelles formes pourraient arrêter un virus, un processus lent, coûteux et souvent frustrant d'inefficacité. Ces dernières années, un nouvel outil est apparu pour accélérer cette recherche : l'intelligence artificielle. Au lieu de tester chaque molécule individuellement en laboratoire, les chercheurs peuvent désormais apprendre aux ordinateurs à reconnaître des motifs dans les structures moléculaires qui suggèrent qu'un médicament sera efficace. Pour ce faire, ils traduisent les formules chimiques en deux langages différents que les ordinateurs comprennent. Un langage décompose une molécule en une longue liste de caractéristiques, comme une empreinte digitale qui capture ses détails locaux. L'autre langage traite la molécule comme une carte, où les atomes sont des villes et les liaisons chimiques sont les routes qui les relient, préservant ainsi la forme et les connexions qui définissent la façon dont la molécule se comporte.

Une équipe de chercheurs de l'Université North South et de l'Université Webster a récemment appliqué ces outils numériques à l'un des défis les plus persistants de la médecine moderne : trouver de nouvelles façons d'arrêter le virus de l'immunodéficience humaine, ou VIH. Malgré l'existence de traitements, le virus continue d'affecter des millions de personnes à travers le monde, et il développe fréquemment une résistance aux médicaments actuels, faisant de la découverte de nouveaux inhibiteurs une priorité urgente. Les chercheurs se sont tournés vers une vaste base de données publique contenant plus de 41 000 structures moléculaires, chacune étiquetée comme étant active ou inactive contre le VIH. Cependant, cet ensemble de données présentait un obstacle de taille : la grande majorité des molécules n'avaient aucun effet contre le virus, avec seulement environ 3,5 % montrant une quelconque activité. Ce déséquilibre extrême est comparable à la tentative de trouver une poignée de billes rouges dans un seau de billes bleues ; un modèle informatique entraîné sur de telles données pourrait simplement deviner « bleu » pour tout et paraître très précis, tout en échouant complètement dans sa tâche réelle consistant à trouver les billes rouges.

Pour résoudre ce problème, l'équipe a conçu et testé plusieurs modèles d'intelligence artificielle différents, chacun adoptant une approche unique pour lire les données moléculaires. Ils ont commencé par des méthodes traditionnelles d'apprentissage automatique qui reposaient sur le style de données de type « empreinte digitale », utilisant des algorithmes bien connus pour leur capacité à trier des informations complexes. Ils ont également construit un système plus avancé basé sur l'apprentissage profond qui traitait les molécules comme des cartes, utilisant une technique appelée Réseau d'Attention sur Graphe (Graph Attention Network). Ce type spécifique de réseau est conçu pour observer les connexions entre les atomes et décider quelles parties de la molécule sont les plus importantes pour son activité, un peu comme un expert humain se concentrant sur les détails les plus critiques d'un plan. Pour gérer la rareté des molécules actives, les chercheurs ont soigneusement ajusté leurs données d'entraînement, s'assurant que l'ordinateur accorde autant d'attention aux rares exemples actifs qu'aux exemples inactifs communs. Ils ont également combiné leurs meilleurs modèles en un ensemble de « stacking » unique, où plusieurs systèmes différents travaillent ensemble, avec un réseau de neurones de type feedforward agissant comme un arbitre pour prendre la décision finale.

Les résultats ont montré que, bien que les différentes approches aient leurs forces, la combinaison de celles-ci a produit les prédictions les plus fiables. Les modèles d'apprentissage automatique traditionnels ont très bien performé, l'XGBoost identifiant correctement les inhibiteurs actifs environ 85,7 % du temps. Le modèle d'apprentissage profond basé sur les graphes, qui apprenait directement à partir des cartes moléculaires, a atteint une précision légèrement inférieure mais a excellé dans la distinction entre les composés actifs et inactifs, une compétence cruciale pour la découverte de médicaments. Cependant, l'approche la plus fructueuse fut la méthode d'ensemble, qui a réuni les forces des quatre meilleurs modèles d'apprentissage automatique (Random Forest, LightGBM, CatBoost et XGBoost) et le réseau de neurones arbitre. Ce système combiné a atteint une précision d'environ 85,2 % et a démontré une grande capacité à classer les bons candidats au-dessus des mauvais. Plus important encore, le modèle basé sur les graphes a offert une fenêtre sur son propre raisonnement. En analysant les atomes sur lesquels le réseau se concentrait le plus, les chercheurs ont pu voir que l'ordinateur identifiait correctement des groupes chimiques spécifiques connus pour interagir avec le virus, tels que certains atomes d'oxygène et d'azote. Cela suggère que le modèle ne se contentait pas de deviner sur la base de motifs aléatoires, mais apprenait réellement les règles chimiques réelles qui régissent le fonctionnement de ces médicaments.

L'étude conclut que, bien qu'aucune méthode ne soit parfaite, l'avenir de la découverte de médicaments réside dans l'utilisation conjointe de multiples perspectives. Les modèles basés sur les empreintes digitales sont rapides et efficaces pour repérer des motifs généraux, tandis que les modèles basés sur les graphes fournissent une compréhension plus profonde de la forme et de l'interaction moléculaire. En combinant ces approches, les scientifiques peuvent créer des outils plus robustes pour le criblage de médicaments potentiels. Les chercheurs ont également souligné que leur capacité à visualiser les parties d'une molécule que l'ordinateur jugeait importantes ajoute une couche de confiance et de clarté, faisant passer l'intelligence artificielle d'une « boîte noire » qui donne des réponses sans explication à un partenaire transparent capable de montrer son travail. Ce travail ne prétend pas avoir trouvé un remède contre le VIH, mais il fournit une méthode plus raffinée et plus efficace pour passer au crible les possibilités chimiques, accélérant potentiellement le voyage de l'écran d'ordinateur vers un médicament salvateur.