Comment l'IA aide à la recherche de médicaments contre le cancer: à l'intérieur du moteur de découverte moléculaire de BIOPTIC

Trouver un nouveau médicament est souvent décrit comme chercher une aiguille dans une meule de foin. En réalité, le problème est beaucoup plus grand: la "meule de foin" peut contenir des milliards, voire des trillions, de molécules potentielles.

C'est là qu'entre en jeu l'intelligence artificielle.

BIOPTIC, une entreprise biotechnologique axée sur l'IA associée à l'entrepreneur et ancien dirigeant de Google Andrey Doronichev, développe une technologie qui utilise l'apprentissage automatique pour rechercher d'énormes bibliothèques chimiques à la recherche de molécules susceptibles de devenir de nouveaux médicaments. L'un des programmes les plus intéressants de l'entreprise se concentre sur le cancer, où son système d'IA a été utilisé pour identifier des inhibiteurs sélectifs de VEGFR-3, une cible biologique impliquée dans l'angiogenèse tumorale.

Le mot important ici est « finalement ». L'IA ne presse pas un bouton et ne produit pas un médicament contre le cancer fini. Au lieu de cela, elle aide les scientifiques à décider quelles molécules valent la peine d'être synthétisées et testées dans le monde réel.

Qu'est-ce que BIOPTIC et que fait réellement son IA?

BIOPTIC opère à l'intersection de l'intelligence artificielle, de la chimie computationnelle et de la découverte de médicaments. Son idée centrale est de traiter la découverte chimique en partie comme un problème de recherche.

Un programme classique de découverte de médicaments peut commencer par une cible biologique, une protéine impliquée dans une maladie, puis rechercher une molécule capable d'interagir avec cette cible de la manière souhaitée. Le défi est que le nombre de molécules semblables à des médicaments théoriquement possibles est astronomique.

Le système B1 de BIOPTIC tente de rendre cette recherche gérable.

Le système représente les molécules mathématiquement, créant des embeddings numériques compacts qui permettent de comparer les structures chimiques à grande vitesse. Selon la recherche évaluée par les pairs de l'entreprise, B1 peut rechercher dans des bibliothèques contenant des dizaines de milliards de composés et récupérer des molécules pouvant avoir des propriétés biologiques similaires même lorsque leurs structures chimiques diffèrent considérablement.

L'IA ne remplace donc pas le laboratoire. Elle agit comme un filtre extrêmement rapide avant que le travail en laboratoire commence.

Comment BIOPTIC B1 recherche-t-il des milliards de molécules?

Les fondements techniques de B1 reposent sur un système de criblage virtuel basé sur des ligands.

Un ligand est une molécule qui peut se lier à une cible biologique, telle qu'une protéine. Si les scientifiques connaissent déjà plusieurs molécules ayant une activité utile, ces molécules peuvent servir de points de départ pour une nouvelle recherche.

B1 convertit l'information moléculaire en une représentation vectorielle compacte. Dans le système publié, chaque molécule est représentée comme un embedding à 60 dimensions stocké à l'aide d'une précision float16. Le modèle peut alors comparer une molécule de requête avec des représentations moléculaires pré-indexées et calculer la similarité à une échelle énorme.

Le système a été testé sur Enamine REAL Space, une bibliothèque chimique virtuelle contenant environ 40 milliards de molécules énumérées.

Cette échelle crée un problème d'ingénierie autant qu'un problème scientifique. Les chercheurs de BIOPTIC ont séparé le processus en deux phases:

• Numérisation: les réseaux neuronaux traitent les molécules et génèrent des embeddings.

• Recherche: les embeddings précalculés sont comparés pour récupérer les candidats les plus pertinents.

Dans les benchmarks publiés, une recherche dans la bibliothèque de 40 milliards de composés pouvait être effectuée en environ deux minutes et quinze secondes en utilisant la configuration de recherche basée sur SSD décrite dans l'article. Une configuration basée sur la RAM était considérablement plus rapide.

Cela ne signifie pas que l'IA comprend la biologie de la même manière qu'un scientifique. Cela signifie que le système peut naviguer rapidement dans une carte mathématique de l'espace chimique et identifier des candidats qui méritent une attention plus particulière.

Le projet cancer: à la recherche d'inhibiteurs sélectifs de VEGFR-3

Le programme cancer de BIOPTIC fournit un exemple concret de la manière dont cette approche peut fonctionner.

La cible est VEGFR-3, également connu sous le nom de FLT4, un récepteur impliqué dans les voies de signalisation connectées à l'angiogenèse, la formation de nouveaux vaisseaux sanguins. Les tumeurs peuvent exploiter l'angiogenèse pour soutenir leur croissance, faisant de cette voie un domaine important de recherche sur le cancer.

Le défi est la sélectivité.

Les médicaments qui affectent largement plusieurs récepteurs de VEGF peuvent également interagir avec d'autres systèmes biologiques, ce qui peut augmenter la toxicité. Le projet de BIOPTIC visait à identifier de petites molécules ayant une sélectivité plus forte pour VEGFR-3.

L'entreprise a utilisé une pipeline à deux modèles:

SMILES est une notation textuelle utilisée pour décrire les structures moléculaires. Cela rend la chimie étonnamment compatible avec les techniques de modèles de langage: une molécule peut être représentée comme une séquence de symboles, permettant aux systèmes d'IA d'apprendre des motifs dans les données chimiques.

Après que le premier modèle ait filtré une bibliothèque ultra-large de 40 milliards de composés, un réseau de neurones graphiques a été utilisé comme second filtre. Contrairement à une séquence textuelle, un graphe représente les atomes comme des nœuds et les liaisons chimiques comme des connexions, rendant les GNN utiles pour modéliser la structure moléculaire et les relations.

D'une prédiction numérique à une molécule réelle

C'est à ce stade que l'histoire de l'IA devient une véritable science.

L'ordinateur peut prédire qu'une molécule semble prometteuse, mais la molécule doit encore être synthétisée et testée expérimentalement.

Dans le projet VEGFR-3, BIOPTIC a signalé avoir testé 110 composés en utilisant un test de profilage des kinases. Plusieurs molécules ont montré une activité contre VEGFR-3, et trois étaient sélectives pour une seule cible VEGFR. Un candidat a démontré plus de 45 fois de sélectivité par rapport à VEGFR-1 et VEGFR-2 dans les expériences rapportées. Les résultats ont été présentés dans un résumé pour la Réunion Annuelle ASCO 2025 et publiés sous forme de résumé dans le Journal of Clinical Oncology.

Les chercheurs ont ensuite combiné la découverte moléculaire avec l'analyse de séquençage d'ARN. En utilisant l'algorithme Oncobox, ils ont analysé des milliers de profils d'expression tumorale pour estimer quels types de cancer pourraient être les plus réactifs à l'inhibition sélective de VEGFR-3. Les candidats signalés pour une investigation plus approfondie comprenaient le cancer de la thyroïde papillaire, le cancer rénal à cellules claires, le cancer du pancréas, le cancer de l'ovaire et les sarcomes.

Ce sont des résultats de recherche, pas une preuve qu'un médicament contre le cancer fini est prêt pour les patients.

Les preuves scientifiques derrière BIOPTIC B1

La technologie de BIOPTIC a également été décrite dans la littérature scientifique évaluée par des pairs.

En 2025, des chercheurs ont publié une étude dans le Journal of Chemical Information and Modeling décrivant BIOPTIC B1 et son utilisation dans une expérience prospective de découverte de médicaments ciblant LRRK2, une protéine associée à la maladie de Parkinson.

Le système a exploré le même espace chimique de 40 milliards de molécules et identifié de nouveaux ligands pour les formes normales et mutantes de LRRK2. Les meilleurs composés validés expérimentalement ont atteint des constantes de dissociation aussi basses que 110 nanomoles.

La prochaine étape est particulièrement importante pour comprendre la découverte de médicaments assistée par AI. Les premiers hits n'ont pas été considérés comme des réponses finales. Les scientifiques ont utilisé les meilleurs composés comme points de départ pour une recherche analogique, ont récupéré des molécules structurellement apparentées, les ont filtrées pour des propriétés pratiques et ont sélectionné des candidats qui pouvaient être synthétisés raisonnablement.

Sur 48 analogues choisis, 47 ont été synthétisés avec succès. Les composés résultants ont ensuite été à nouveau testés, créant une boucle de rétroaction entre le calcul, la chimie et la biologie.

Pourquoi l'IA ne peut pas remplacer les scientifiques des médicaments

La phrase « l'IA découvre des médicaments » est accrocheuse, mais incomplète.

L'IA peut classer les molécules en fonction des motifs appris à partir des données. Elle peut accélérer le criblage virtuel et identifier des relations chimiques qui seraient difficiles à explorer manuellement. Mais une prédiction reste une prédiction jusqu'à ce que le travail expérimental le confirme.

Les scientifiques doivent toujours répondre à des questions fondamentales:

• La molécule se lie-t-elle réellement à la cible?

• Affecte-t-elle la voie biologique souhaitée?

• Est-elle suffisamment sélective?

• Est-elle toxique?

• Peut-elle atteindre le tissu approprié?

• Est-elle métabolisée en toute sécurité?

• Fonctionne-t-elle chez les animaux?

• Aide-t-elle les patients humains?

Une molécule prometteuse peut échouer à tout moment.

C'est pourquoi la véritable valeur de systèmes tels que BIOPTIC B1 peut être la rapidité plutôt que la magie. Si l'IA peut réduire des milliards de possibilités théoriques à quelques dizaines de molécules dignes d'être testées, elle peut rendre les premières étapes de la découverte de médicaments plus efficaces.

L'avenir de la médecine pilotée par l'IA

Le travail de BIOPTIC illustre une transformation plus large dans la biotechnologie. L'IA devient de plus en plus une partie de l'infrastructure de recherche elle-même, un système de recherche dans l'espace chimique, de priorisation des expériences et de connexion des données moléculaires avec des informations biologiques.

La recherche sur le cancer de l'entreprise est particulièrement intéressante car elle combine plusieurs couches de calcul: criblage moléculaire, modélisation de la sélectivité et analyse RNA-seq de la biologie tumorale.

Mais le produit final de ce processus n'est pas une prescription générée par l'IA. C'est une liste restreinte d'hypothèses à tester par les scientifiques.

Cette distinction est importante.

L'IA peut aider les chercheurs à parcourir des milliards de molécules plus rapidement que les méthodes traditionnelles. Elle peut découvrir des échafaudages chimiques inconnus et orienter les laboratoires vers des candidats qui resteraient autrement cachés. Pourtant, la molécule doit toujours survivre à la chimie, à la biologie, à la toxicologie, à la recherche préclinique et aux essais cliniques.

En d'autres termes, l'IA ne remplace pas le scientifique qui recherche un remède contre le cancer.

Elle donne à ce scientifique un moteur de recherche beaucoup plus puissant.