Des chercheurs suédois et français ont développé des modèles d’IA accélérant radicalement les simulations moléculaires pour la découverte de médicaments. Une étude de l’université Chalmers rapporte un gain de vitesse supérieur à 10 000 fois, tandis qu’une méthode DMTS-NC développée par Sorbonne Université optimise la précision et la performance des calculs dynamiques.
Le développement d’un nouveau médicament s’étend souvent sur plus de dix ans, du concept initial à la mise sur le marché. Selon News-Medical, une part massive de ce temps et des coûts est concentrée dans les phases initiales, où des milliers de molécules doivent être criblées pour identifier les candidats les plus prometteurs.
L’accélération par 10 000 de l’université Chalmers
L’approche traditionnelle de la dynamique moléculaire repose sur le calcul étape par étape des forces entre tous les atomes. Pour maintenir la stabilité, chaque étape doit être extrêmement courte, environ un femtoseconde (10⁻¹⁵ secondes). Cette exigence rend les simulations extrêmement gourmandes en ressources informatiques pour observer des processus biologiques significatifs.
Une équipe de l’université Chalmers de technologie et de l’université de Göteborg a contourné cet obstacle en créant un modèle d’IA capable de prédire l’évolution des molécules sans passer par ces calculs numériques systématiques. Ce modèle s’est révélé plus de 10 000 fois plus rapide que les simulations conventionnelles.
Ce qui distingue notre modèle d’IA, c’est qu’il apprend la dynamique sous-jacente sur des échelles de temps plus longues. Il ne fournit pas seulement des informations sur les formes que prennent les molécules, mais aussi sur la rapidité et les voies par lesquelles ces transitions moléculaires se produisent. Pour autant que nous le sachions, c’est la première fois que cela est réalisé d’une manière qui fonctionne pour de nombreuses molécules différentes.
Simon Olsson, chef de recherche et professeur associé au département d’informatique et d’ingénierie de l’université Chalmers et de l’université de GöteborgL’étude a porté sur plus de 12 500 molécules organiques, incluant du carbone, de l’azote, de l’hydrogène et de l’oxygène, ainsi que plus de mille peptides courts. En s’appuyant sur des exemples simulés de mouvements atomiques, l’IA a appris les règles régissant ces déplacements, lui permettant de « passer en accéléré » les simulations tout en restant cohérente avec les lois de la physique.
La méthode DMTS-NC de Sorbonne Université
Parallèlement, une autre avancée cible l’efficacité computationnelle des potentiels de réseaux neuronaux. Selon AI Insider, des chercheurs de Sorbonne Université et de Qubit Pharmaceuticals ont mis au point une méthode nommée DMTS-NC (Distilled Multiple Time-Stepping with Nonconservative Forces).
Cette technique combine deux stratégies : la distillation de connaissances, où un petit réseau neuronal rapide imite un modèle plus large et plus précis, et le multi-pas de temps (multi-time-stepping). Ce dernier réduit les coûts en effectuant les calculs coûteux moins fréquemment, en utilisant des approximations plus simples entre les étapes.
L’innovation majeure réside dans le remplacement des calculs de forces conservatives par des forces non conservatives. En prédisant directement les forces plutôt qu’en calculant d’abord les énergies pour ensuite en dériver les forces, le système élimine des étapes de calcul intensives.
Les performances mesurées pour le framework DMTS-NC sont les suivantes :
- Gain de vitesse global : Jusqu’à 5,6 fois plus rapide que les simulations conventionnelles à pas de temps unique.
- Amélioration incrémentale : Une hausse de performance de 15 % à 30 % par rapport au précédent framework de multi-pas de temps distillé de l’équipe.
- Domaines de test : Validation réussie sur des systèmes d’eau, des protéines et de petites molécules.
Analyse : Deux échelles de vitesse pour deux objectifs distincts
L’écart frappant entre le gain de 10 000x des Suédois et les 5,6x de l’équipe française s’explique par la nature même de leurs objectifs. L’approche de l’université Chalmers agit comme un accélérateur de trajectoire : elle cherche à identifier rapidement les formes et les chemins de transition moléculaire sur le long terme. C’est un outil de criblage massif pour éliminer les candidats non viables dès le départ.
À l’inverse, la méthode DMTS-NC de Sorbonne Université se concentre sur la précision du calcul dynamique. En optimisant la manière dont les forces sont calculées, elle permet d’étendre la taille et la durée des simulations sans sacrifier l’exactitude physique. Là où le premier modèle « saute » des étapes pour voir la destination, le second rend chaque étape plus fluide et moins coûteuse.
Ces deux avancées sont complémentaires. La première permet de réduire drastiquement le nombre de molécules à tester, tandis que la seconde permet d’analyser les candidats restants avec une précision quasi quantique, mais à une fraction du coût computationnel habituel.
L’impact sur la chaîne de valeur pharmaceutique
L’intégration de ces modèles d’IA transforme la phase de découverte, traditionnellement le goulot d’étranglement de l’industrie. En réduisant le temps nécessaire pour simuler l’interaction entre une molécule et sa cible biologique, les laboratoires peuvent explorer un espace chimique beaucoup plus vaste.
L’enjeu est double : réduire le coût financier du développement et accélérer la mise à disposition de traitements pour des maladies complexes. La capacité de l’IA à apprendre les règles de mouvement atomique, comme démontré dans l’étude publiée dans Science Advances, signifie que les chercheurs ne dépendent plus uniquement de la force brute de calcul, mais d’une intelligence capable de généraliser le comportement moléculaire.
L’étape suivante pour ces technologies sera leur déploiement à l’échelle industrielle. Si la validation sur 12 500 molécules est prometteuse, la capacité de ces modèles à maintenir leur précision sur des protéines encore plus complexes et des systèmes biologiques entiers déterminera leur adoption massive par les géants de la pharmacie.
Find more reporting in our Nouvelles section.