Un agent IA repère un antibiotique potentiel, non testé en labo

Des millions de séquences de protéines présentes dans la plus grande base de données publique de protéines au monde n'ont aucune fonction connue. L'équipe de Google DeepMind s'est aventurée dans cet angle mort et en a tiré un candidat qui pourrait combattre les infections respiratoires. Ce candidat est un peptide antimicrobien prédit, une courte protéine du type de celles que les bactéries produisent naturellement pour éliminer leurs rivales. Il a été repéré chez Streptococcus pseudopneumoniae, une bactérie de la même famille que le pneumocoque.

Les enjeux sont à la mesure de la résistance. Les auteurs estiment que la résistance aux antimicrobiens pourrait causer 10 millions de morts par an dans le monde d'ici 2050. Les peptides sont attractifs parce que, comme le notent les auteurs, ils ont évolué pour attaquer les structures bactériennes de base, des enveloppes cellulaires jusqu'à la machinerie interne essentielle, ce qui rend la résistance plus difficile à développer. Certains sont déjà utilisés : la nisine, une bactériocine employée dans le monde entier, en est l'exemple le plus connu. Des découvertes récentes issues de l'exploration de génomes, comme la darobactine, la dynobactine et la lariocidine, montrent que ce réservoir n'est pas épuisé.

L'obstacle, c'est l'information. Une grande partie des données de séquences produites par les projets de génomique a été déposée dans UniProt, la ressource de référence pour les séquences et les fonctions des protéines, sans aucune annotation. Les auteurs qualifient ces entrées de « matière noire » des bases de données de protéines. Leur outil, ProtNLM (Protein Natural Language Model), est un modèle d'apprentissage profond entraîné à lire la « grammaire » évolutive des séquences d'acides aminés et à prédire directement à partir de la séquence la fonction d'une protéine, sans avoir besoin d'un proche parent déjà connu. Google affirme que ce modèle a ajouté des étiquettes fonctionnelles fiables à des millions d'entrées UniProt auparavant sans nom.

Dans le processus décrit par l'équipe, le chercheur oriente la recherche et l'agent se charge du travail entre bases de données. L'agent récupère les structures depuis AlphaFold Database, et le scientifique les examine dans une visionneuse 3D intégrée à Antigravity, où le fait de marquer une région d'une protéine peut amener l'agent à raisonner sur cet endroit précis. Google présente le candidat comme « biologiquement plausible » et étayé par des preuves structurelles et génomiques, mais non encore démontré. Son activité prédite n'a pas été mesurée en laboratoire.

Pour les équipes de microbiologie, le changement immédiat concerne le début de la recherche : moins de semaines passées à comparer des bases de données, et davantage de candidats criblés par session. Pour les patients, le bénéfice reste lointain et le chemin est long. Les auteurs ne donnent aucune date pour les résultats en laboratoire, et aucun candidat issu de ce processus n'a encore été montré efficace contre des bactéries, a fortiori chez l'humain. La prochaine étape publique sera la validation en laboratoire de ce peptide.