Des protéines conçues par IA pourraient détecter le cancer dans les urines

Imaginez un monde où il suffirait d'un test urinaire pour dépister un cancer à un stade précoce. Pas de biopsie douloureuse, pas de semaines d'attente pour les résultats d'une IRM, pas de milliers de dollars pour un TEP-scan : un simple échantillon dans un flacon en plastique. Des chercheurs du Massachusetts Institute of Technology et de Microsoft nous rapprochent de ce futur : ils ont appris à une intelligence artificielle à concevoir de A à Z des capteurs moléculaires du cancer.

L'idée repose sur un mécanisme biologique élégant. Les cellules cancéreuses se distinguent des cellules saines par de nombreux traits, dont une activité accrue d'enzymes appelées protéases. Ces « ciseaux » moléculaires découpent les protéines et jouent un rôle clé dans les processus qui permettent à la tumeur de croître, d'envahir les tissus voisins et de former des métastases. Les chercheurs ont décidé de retourner cette particularité contre le cancer lui-même : ils ont mis au point un modèle d'IA capable de concevoir de courtes chaînes de protéines, les peptides, qui deviennent des cibles spécifiques des protéases tumorales.

Voici le principe. Les peptides conçus par l'IA sont fixés à la surface de nanoparticules, qui sont ensuite introduites dans l'organisme. Lorsque ces nanoparticules atteignent le tissu tumoral, les protéases actives des cellules cancéreuses « découpent » les peptides et libèrent de minuscules fragments moléculaires qui servent de marqueurs. Ces fragments sont si petits qu'ils traversent librement le filtre rénal et passent dans les urines, où des méthodes de laboratoire standard permettent de les détecter. En somme, les nanoparticules jouent les éclaireurs : elles partent à la recherche de l'ennemi et envoient un signal si elles le trouvent.

L'innovation centrale tient au rôle de l'intelligence artificielle dans la conception des peptides. L'approche traditionnelle pour fabriquer de tels capteurs moléculaires exigerait des années d'expériences par essais et erreurs. L'espace des séquences d'acides aminés possibles est astronomique : même un court peptide de dix acides aminés offre des milliers de milliards de combinaisons. Le modèle développé par l'équipe du MIT et de Microsoft sait naviguer dans cet espace et prédire quelles séquences seront reconnues et découpées le plus efficacement par des protéases tumorales données, tout en restant stables face aux enzymes des tissus sains. C'est essentiel pour réduire les faux positifs, le fléau du diagnostic oncologique actuel.

Pour mesurer la portée de ces travaux, il faut regarder le contexte. Le diagnostic précoce reste l'un des grands problèmes non résolus de l'oncologie. Selon l'Organisation mondiale de la santé, plus d'un tiers des décès par cancer pourraient être évités grâce à une détection en temps utile.

Or les méthodes de dépistage existantes sont soit trop chères pour un usage de masse, soit pas assez sensibles, soit invasives et désagréables pour les patients. La mammographie laisse passer une part notable des tumeurs du sein, la coloscopie demande une préparation lourde, et la biopsie liquide, l'une des approches modernes les plus prometteuses, coûte encore des centaines de dollars par test et ne repère pas toujours le cancer aux tout premiers stades.

Le travail du MIT et de Microsoft s'inscrit dans une tendance plus large : l'usage de l'IA pour concevoir des molécules biologiques. Depuis que le prix Nobel de chimie 2024 a récompensé des travaux sur la prédiction de la structure des protéines, le domaine connaît un véritable boom. DeepMind avec AlphaFold, la start-up de l'Institute for Protein Design de David Baker, des dizaines d'entreprises de biotechnologie : toutes recourent à l'apprentissage automatique pour créer des protéines aux propriétés voulues. Mais là où la plupart des projets visent des molécules thérapeutiques, comme de nouveaux médicaments et anticorps, l'équipe du MIT et de Microsoft a appliqué la même approche au diagnostic, ce qui ouvre un horizon tout autre.

Bien sûr, la distance entre une démonstration en laboratoire et la pratique clinique est considérable. Il faudra prouver l'innocuité des nanoparticules pour l'humain, mener des essais cliniques, obtenir l'aval des régulateurs et mettre en place la production. Cela peut prendre des années. Des questions restent en outre ouvertes : l'universalité de l'approche selon les types de cancer, la sensibilité réelle de la méthode in vivo, et le risque que les nanoparticules déclenchent une réponse immunitaire en cas d'utilisation répétée.

Pour autant, le concept lui-même, utiliser l'IA pour concevoir des « espions » moléculaires qui transforment la tâche ardue du diagnostic oncologique précoce en simple analyse d'urine, paraît réellement novateur. Si la technologie confirme son efficacité en conditions cliniques, elle pourrait démocratiser l'accès au dépistage précoce du cancer dans le monde entier, y compris dans les régions dépourvues d'IRM et de centres d'oncologie. C'est peut-être là la principale force de l'alliance entre IA et biologie : non pas seulement accélérer les processus existants, mais créer des solutions fondamentalement nouvelles à des problèmes qui semblaient insurmontables.