Le MIT obtient jusqu'à 53 millions de dollars pour une IA chargée de trouver un substitut au glyphosate

Quand on parle d'IA générative, on pense généralement aux chatbots et aux assistants de code. Mais l'une des histoires les plus richement financées se déroule aujourd'hui en chimie : les modèles apprennent non pas à écrire du texte, mais à imaginer des molécules. Le MIT vient d'obtenir jusqu'à 53 millions de dollars de l'ARPA-H pour une telle mission, et sa cible n'est pas un médicament, mais des herbicides.

Quel est le problème

Aux États-Unis, plus d'un milliard de livres d'herbicides sont utilisées chaque année. Ils protègent les récoltes des mauvaises herbes et rendent possible une agriculture respectueuse des sols. Mais ils posent deux problèmes.

D'abord, les mauvaises herbes acquièrent des mutations de résistance. Le glyphosate, par exemple, inhibe l'enzyme EPSP synthase, sans laquelle la plante ne produit pas plusieurs acides aminés essentiels. Les mutations permettent aux herbes de contourner ce blocage, et le produit cesse d'agir.

Ensuite, il y a les risques pour la santé : les herbicides sont associés à un risque accru de cancer et à des troubles endocriniens et métaboliques. Les agriculteurs reçoivent la dose la plus élevée, mais des traces de ces produits chimiques se retrouvent dans l'alimentation et l'eau de tous les autres.

S'y ajoute la géopolitique. Le phosphore, composant clé du glyphosate, est en grande partie importé par les États-Unis. Christopher Voigt, directeur du département de génie biologique du MIT et responsable du projet PLOW, le dit sans détour : la résistance des mauvaises herbes, combinée à une chaîne d'approvisionnement vulnérable, pourrait priver le pays d'agrochimie de base.

Comment cela fonctionne : le cycle « modèle — criblage — serre »

Le projet est réparti entre trois équipes, et l'essentiel n'est pas un modèle isolé, mais une boucle fermée.

1. Modèles génératifs. Le groupe de Connor Coley, Regina Barzilay et Alexander Tropsha prédira des molécules ou des petits ARN interférents (siRNA) qui désactivent les mêmes enzymes végétales clés que les herbicides actuels. Les modèles doivent tenir compte simultanément de plusieurs objectifs : synthèse peu coûteuse, faible risque d'apparition de résistance, nocivité minimale pour l'humain et l'environnement.
2. Criblage à haut débit. Les modèles doivent produire des milliards de candidats. Le groupe d'Angela Koehler et de Jamie Cheah, du Broad Institute, testera les bibliothèques pour vérifier la liaison à la cible. Les résultats du criblage reviendront à l'équipe de calcul afin d'améliorer les modèles. Il s'agit en somme d'un apprentissage actif sur des données réelles de laboratoire.
3. Serres. Lorsque le nombre de candidats se réduira, la troisième équipe vérifiera le comportement des molécules dans différentes conditions agronomiques. Elle réunit des chercheurs des universités du Tennessee, de l'Illinois et de Caroline du Nord, ainsi que la start-up Robigo. Les premiers tests de candidats RNAi doivent s'achever d'ici la fin de la première année du programme.

Un volet distinct est consacré aux systèmes microbiens vivants. Il s'agit de bactéries et de champignons modifiés qui dégradent les produits agrochimiques avant qu'ils n'atteignent l'alimentation, le sol et l'eau, en les transformant, ainsi que les composants des formulations, en biomasse.

Ce qui compte vraiment ici

D'abord, les limites. Il s'agit d'une annonce de financement, pas d'un résultat. Le document ne mentionne ni architectures de modèles, ni métriques, ni preuve que l'approche générative trouvera de meilleures molécules que le criblage classique. Le chemin entre un candidat en serre et un herbicide homologué est long, et la réglementation, que l'IA n'abolira pas, reste à franchir. Inutile donc d'espérer un produit en rayon dans les prochaines années.

Mais pour ceux qui bâtissent des produits d'IA, il y a ici trois signaux utiles.

• La valeur est dans la boucle de rétroaction. Un modèle ne vaut rien en soi tant qu'on ne le nourrit pas de données expérimentales fraîches. Gagne celui qui a intégré un laboratoire ou un environnement réel dans la boucle d'apprentissage.
• L'optimisation multi-objectifs devient la norme. Il ne faut pas seulement des molécules puissantes, mais des molécules peu coûteuses à fabriquer, difficiles à « contourner » par mutation et sûres à utiliser. Si vous concevez un système génératif, intégrez les contraintes dans la fonction objectif dès le départ.
• L'agrochimie s'ouvre comme marché pour l'IA. Les fonds publics, le partenariat entre universités, le Broad Institute et la start-up Robigo montrent que la niche, à l'intersection de la biologie, de la chimie et du ML, est réelle et financée pour les fondateurs.

Si vous travaillez sur l'IA appliquée à la science, surveillez les premières données sur les candidats RNAi : ce sont elles qui montreront si cette boucle fonctionne en pratique.