Une percée révolutionnaire dans la technologie médicale nous vient du prestigieux Massachusetts Institute of Technology (MIT), où des ingénieurs, utilisant la puissance de l'intelligence artificielle, ont développé une méthode qui pourrait accélérer de manière spectaculaire le développement d'une nouvelle génération de vaccins et de thérapies à ARN. Au cœur de cette découverte se trouve un modèle avancé d'apprentissage automatique qui conçoit avec une précision incroyable des nanoparticules pour une administration plus efficace de molécules d'ARN sensibles directement dans les cellules humaines. Cette approche promet non seulement une voie plus rapide vers de nouveaux vaccins, mais ouvre également la porte à des traitements innovants contre certains des plus grands défis de santé d'aujourd'hui, notamment l'obésité, le diabète et d'autres troubles métaboliques.

Une équipe de chercheurs du MIT a réussi à « apprendre » à un modèle d'IA à analyser et à comprendre les interactions de milliers de particules existantes pour l'administration de médicaments. Après un entraînement intensif, le modèle a été capable de prédire de manière autonome des combinaisons de matériaux entièrement nouvelles avec des propriétés améliorées. Mais ses capacités vont encore plus loin. L'intelligence artificielle a permis aux scientifiques d'identifier des formulations de nanoparticules spécifiques qui sont optimales pour différents types de cellules et d'explorer comment intégrer de nouveaux matériaux, jusqu'alors inutilisés, dans les systèmes existants. Giovanni Traverso, professeur agrégé de génie mécanique au MIT et gastro-entérologue au Brigham and Women's Hospital, qui est également l'auteur principal de l'étude, souligne : « Nous avons appliqué des outils d'apprentissage automatique pour accélérer l'identification de mélanges optimaux d'ingrédients dans les nanoparticules lipidiques. Cela nous permet de cibler différents types de cellules ou d'incorporer de nouveaux matériaux beaucoup plus rapidement qu'auparavant. »

Révolution dans l'Administration de Médicaments : Comment Fonctionnent les Nanoparticules Lipidiques ?

La technologie de l'ARN messager (ARNm) est devenue mondialement connue grâce aux vaccins contre le virus SARS-CoV-2. La clé du succès de ces vaccins réside dans les nanoparticules lipidiques (NPL), des bulles de graisse microscopiques qui servent de véhicules de transport. Leur rôle est double : premièrement, elles protègent la fragile molécule d'ARNm de la dégradation dans le corps dès son injection, et deuxièmement, elles l'aident à traverser la membrane cellulaire et à atteindre sa destination à l'intérieur de la cellule, où la protéine souhaitée est ensuite produite (dans le cas des vaccins, la protéine virale qui stimule la réponse immunitaire).

La création de particules plus efficaces est cruciale pour le développement de vaccins et de thérapies encore plus puissants. De meilleurs véhicules d'administration pourraient signifier des doses plus faibles, moins d'effets secondaires et un effet thérapeutique plus fort. Ceci est particulièrement important pour le développement de thérapies à ARNm qui codent pour des gènes de protéines susceptibles de traiter un large éventail de maladies. Une nanoparticule lipidique standard se compose de quatre composants clés : un lipide ionisable qui lie l'ARN, du cholestérol qui assure la stabilité structurelle, un lipide auxiliaire qui aide à libérer la charge utile à l'intérieur de la cellule, et un lipide lié au polyéthylène glycol (PEG) qui empêche l'agrégation des particules et prolonge leur circulation dans le sang. Chacun de ces composants peut avoir de nombreuses variantes, ce qui crée un nombre astronomique de combinaisons possibles. L'approche traditionnelle, qui repose sur le test de chaque formulation individuellement, est extrêmement lente, coûteuse et inefficace. C'est ce défi qui a incité l'équipe du MIT à se tourner vers l'intelligence artificielle.

COMET : L'Intelligence Artificielle Inspirée des Modèles Linguistiques

Pour résoudre ce problème complexe, les chercheurs ont développé un modèle entièrement nouveau appelé COMET (Composition-Oriented Transformer). Alvin Chan, ancien chercheur postdoctoral au MIT et l'un des principaux auteurs de l'étude publiée dans la revue Nature Nanotechnology, explique le caractère innovant de leur approche. « La plupart des modèles d'IA dans la découverte de médicaments se concentrent sur l'optimisation d'un seul composé, mais cette approche ne fonctionne pas pour les nanoparticules lipidiques, qui se composent de plusieurs composants interconnectés », explique Chan. « C'est pourquoi nous avons développé COMET, inspiré de la même architecture de transformeur qui alimente les grands modèles linguistiques comme ChatGPT. Tout comme ces modèles comprennent comment les mots se combinent pour créer du sens, COMET apprend comment différents composants chimiques s'assemblent dans une nanoparticule pour influencer ses propriétés – comme sa capacité à administrer l'ARN dans les cellules. »

Pour que le modèle « apprenne » ce langage chimique complexe, les chercheurs ont d'abord dû créer un vaste ensemble de données pour l'entraînement. Ils ont généré une bibliothèque d'environ 3 000 formulations de NPL différentes. L'équipe a testé rigoureusement chacune de ces 3 000 particules en laboratoire pour mesurer leur efficacité à livrer leur cargaison aux cellules. Toutes les données collectées, les tentatives réussies comme infructueuses, ont été intégrées dans le modèle COMET. Une fois le modèle entraîné sur cet ensemble de données massif, les chercheurs lui ont confié une tâche clé : prédire de nouvelles formulations qui seraient supérieures à toutes celles existantes dans l'ensemble d'entraînement. Les résultats ont été extraordinaires.

Confirmation de l'Efficacité et Repousser les Limites

Pour vérifier les prédictions de l'intelligence artificielle, les scientifiques ont synthétisé les nouvelles formulations proposées par COMET. Ils ont ensuite utilisé ces nanoparticules pour administrer un ARNm codant pour une protéine fluorescente dans des cellules de peau de souris cultivées en laboratoire. En mesurant l'intensité de la fluorescence, ils ont pu quantifier précisément la quantité d'ARNm livrée avec succès et traduite en protéine. Il s'est avéré que les nanoparticules lipidiques prédites par le modèle étaient en effet significativement plus efficaces non seulement que les particules de l'ensemble d'entraînement original, mais dans certains cas, elles ont également surpassé les formulations de NPL disponibles dans le commerce et actuellement utilisées en pratique clinique.

Ce succès a confirmé que le modèle ne se contente pas de reconnaître des schémas dans les données, mais qu'il possède également une sorte de « créativité » en proposant de nouvelles solutions optimisées, raccourcissant ainsi de manière spectaculaire le cycle de développement qui aurait autrement pris des années.

Élargir les Possibilités : Des Nouveaux Matériaux aux Cellules Ciblées

Après avoir prouvé que le modèle pouvait prédire avec précision des particules efficaces pour l'administration d'ARNm, les chercheurs ont décidé de tester sa polyvalence en posant des questions supplémentaires et plus complexes. Tout d'abord, ils voulaient savoir si le modèle pouvait être adapté pour concevoir des particules contenant un cinquième composant : un polymère connu sous le nom de poly(bêta-amino ester) ramifié (PBAE). Des recherches antérieures de l'équipe de Traverso avaient montré que ces polymères eux-mêmes peuvent administrer efficacement des acides nucléiques, la question s'est donc posée de savoir si leur ajout aux NPL pouvait encore améliorer les performances. L'équipe a créé un nouvel ensemble d'environ 300 NPL hybrides contenant également ces polymères et les a utilisés pour un entraînement supplémentaire du modèle. Le modèle résultant a été capable de prédire de nouvelles formulations hybrides encore meilleures.

L'étape suivante a consisté à entraîner le modèle pour des applications spécifiques – prédire les NPL qui fonctionneraient le mieux dans différents types de cellules. Ils se sont concentrés sur les cellules Caco-2, qui proviennent de cellules de cancer du côlon et sont souvent utilisées comme modèle pour étudier l'absorption des médicaments dans les intestins. Dans ce cas également, le modèle a identifié avec succès des formulations optimisées pour une administration efficace d'ARNm spécifiquement dans ces cellules, ouvrant la voie à des thérapies ciblées. Enfin, les scientifiques ont utilisé le modèle pour résoudre un problème pratique dans l'industrie pharmaceutique : la stabilité des médicaments. Ils lui ont demandé de prédire quelles formulations de NPL résisteraient le mieux à la lyophilisation – un processus de séchage par congélation souvent utilisé pour prolonger la durée de conservation des médicaments. La capacité de prédire de telles propriétés pourrait réduire considérablement les coûts et les défis logistiques associés à la distribution et au stockage des médicaments à ARN.

L'Avenir de la Médecine Personnalisée et Nouvelles Cibles Thérapeutiques

Le professeur Traverso souligne que COMET est plus qu'un outil d'optimisation ponctuelle. « C'est une plateforme qui nous permet de l'adapter à toute une série de questions différentes et d'aider à accélérer le développement. Bien que nous ayons commencé avec un grand ensemble de données d'entraînement, nous pouvons maintenant mener des expériences beaucoup plus ciblées et obtenir des résultats utiles pour des problèmes très différents », explique-t-il. La mise en œuvre de tels outils d'IA représente un changement de paradigme dans la recherche et le développement pharmaceutiques.

Son équipe travaille maintenant activement à l'application de certaines de ces particules nouvellement conçues au développement de traitements potentiels pour le diabète et l'obésité. Ces objectifs font partie d'un programme de recherche pluriannuel financé par l'Agence américaine pour les projets de recherche avancée en santé (ARPA-H), dont l'un des objectifs ambitieux est le développement de formes orales de thérapies à ARN, c'est-à-dire des médicaments qui pourraient être pris sous forme de comprimés. Les thérapies qui pourraient être administrées par cette approche incluent également les mimétiques du GLP-1, une classe de médicaments similaires au populaire Ozempic, qui encourageraient le corps à produire lui-même des protéines thérapeutiques, offrant une solution plus durable et potentiellement plus sûre pour le traitement des maladies métaboliques.