MarkTechPost montre comment bâtir un co-scientifique IA à base de QSAR pour traquer les inhibiteurs d'EGFR

Le 6 juillet 2026, MarkTechPost a publié un tutoriel pratique pour créer un co-scientifique IA autonome chargé de chercher des inhibiteurs de la mutation EGFR C797S, l'une des causes de résistance aux médicaments dans le cancer du poumon.

Comment le système collecte les données

Le pipeline commence par définir la protéine cible : à l'aide des bases ChEMBL et UniProt, les auteurs trouvent des informations structurelles et fonctionnelles sur EGFR et sur sa forme C797S, résistante à la thérapie. Ils extraient de ChEMBL des enregistrements d'activité expérimentale IC50, soit la concentration d'une substance à laquelle la moitié de l'activité de la cible est inhibée. Ces valeurs sont converties en pIC50, une échelle logarithmique standard de la force de liaison, pratique pour entraîner un modèle d'apprentissage automatique.

• Sources de données : ChEMBL (activité chimique) et UniProt (protéine cible)
• Mutation visée : EGFR C797S, l'une des causes de la résistance des tumeurs aux médicaments ciblés
• Mesure d'activité : IC50, convertie en pIC50
• Encodage de la structure des molécules : empreintes de Morgan via la bibliothèque RDKit
• Modèle : Random Forest avec découpage de l'échantillon par scaffold-split

Comment le modèle QSAR est entraîné

Une fois les données collectées et nettoyées, RDKit standardise les structures chimiques et calcule les empreintes de Morgan, des vecteurs numériques qui encodent l'environnement de chaque atome de la molécule. Un modèle Random Forest est entraîné sur ces caractéristiques pour prédire la valeur de pIC50 de composés nouveaux, qu'il n'a jamais vus.

Le détail méthodologique clé est le scaffold-split. Au lieu de répartir les données au hasard entre jeux d'entraînement et de test, les auteurs regroupent les molécules par squelette chimique et veillent à ce que des composés partageant le même squelette ne se retrouvent pas dans les deux jeux. Cette approche vérifie plus honnêtement la capacité du modèle à généraliser à des classes de substances structurellement nouvelles, plutôt qu'à simplement mémoriser des variantes de molécules déjà connues.

À quoi servent SHAP et la génération de candidats

Pour comprendre quels fragments de la molécule augmentent l'activité prédite, les auteurs emploient SHAP, une méthode d'interprétation des modèles d'apprentissage automatique qui montre la contribution de chaque caractéristique à la prédiction finale. Le Random Forest cesse ainsi d'être une boîte noire : il devient un outil qui indique aux chimistes quels éléments structurels conserver ou renforcer dans les nouveaux candidats.

Vient ensuite l'algorithme BRICS, qui découpe les molécules actives connues en fragments selon les points de rupture de liaisons typiques de la synthèse chimique. En réassemblant ces fragments dans de nouvelles combinaisons, le système génère une bibliothèque de structures candidates et, grâce au modèle QSAR entraîné, les classe selon leur force de liaison prédite avec EGFR C797S, en retenant les plus prometteuses pour une vérification ultérieure.

Ce que cela signifie

Le tutoriel montre comment l'association de bases de données ouvertes, de RDKit, d'apprentissage automatique classique et d'IA explicable devient un outil opérationnel pour les premières étapes du développement de médicaments, sans plateforme propriétaire et avec une logique transparente pour chaque prédiction, que le chimiste peut vérifier.

Questions fréquentes

Qu'est-ce que le scaffold-split dans l'entraînement d'un modèle QSAR ?

C'est une manière de répartir les données entre jeux d'entraînement et de test selon le squelette chimique des molécules, et non au hasard. On vérifie ainsi si le modèle sait prédire l'activité de structures réellement nouvelles, et pas seulement reconnaître celles qui ressemblent à ce qu'il a déjà vu.

Pourquoi le pipeline a-t-il besoin de fragments BRICS ?

BRICS découpe les molécules actives connues en fragments selon les points de rupture de liaisons typiques de la synthèse, puis permet de les réassembler en nouvelles structures candidates, que le modèle classe selon leur force de liaison prédite avec EGFR C797S.