L. Bardon . – Et si nous pouvions générer de nouvelles molécules pour cibler n’importe quelle maladie, du jour au lendemain, prêtes pour les essais cliniques ? Imaginez que l’apprentissage machine permette d’accomplir avec 50 personnes ce que l’industrie pharmaceutique peut à peine réaliser avec une armée de 5 000 personnes. Bienvenue dans le futur de l’IA et de la découverte de médicaments à faible coût, ultra-rapide et personnalisée.
La biologie synthétique ressemble à une version de Minecraft capable d’altérer notre réalité. Plutôt que des blocs numériques, la biologie synthétique réorganise les éléments de base de l’ADN de la vie, les protéines, les circuits biochimiques – pour recâbler les organismes vivants ou même en construire de nouveaux. En théorie, il n’y a pas de limite à la réécriture de la vie : de la viande cultivée en laboratoire qui a le même goût que la vraie viande avec un impact bien moindre sur notre environnement, des cellules de levure qui produisent des médicaments vitaux, un biocarburant recyclable… Mais il y a un hic : pour y parvenir, nous devons d’abord être capables de prédire comment le changement d’un gène ou d’une protéine finit par modifier une cellule.
Une cellule humaine porte plus de 20 000 gènes, dont chacun peut être activé, désactivé ou modifié à des niveaux d’expression différents. Jusqu’à présent, les biologistes de synthèse ont adopté une approche par tâtonnements. Mais il y a peut-être une autre solution. Récemment, une équipe du Lawrence Berkeley National Laboratory du ministère de l’énergie, dirigée par le Dr Hector Garcia Martin, a exploité la puissance de l’apprentissage automatique et a montré que même avec un ensemble de données limité, l’IA était capable de prédire comment les changements des gènes d’une cellule pouvait affecter sa biochimie et son comportement.
De plus, l’algorithme pourrait également faire des recommandations sur la manière d’améliorer le prochain cycle de bio-ingénierie en effectuant des simulations. Le programme fournit des prédictions sur la probabilité qu’un changement génétique supplémentaire conduise à un objectif du projet.
