Un chercheur du MIT apprend la chimie à l'IA pour concevoir de nouveaux médicaments

Connor Coley, du Massachusetts Institute of Technology, travaille à la croisée de la chimie et de l'apprentissage automatique. Sa nouvelle approche aide les systèmes d'IA à aller au-delà de la recherche de motifs dans les données : ils comprennent aussi les principes fondamentaux de la chimie et s'appuient sur ces connaissances pour concevoir de nouveaux médicaments.

Pourquoi l'apprentissage automatique classique ne suffit pas

Les modèles d'apprentissage automatique traditionnels sont entraînés sur d'énormes volumes de données et cherchent des régularités. Mais en chimie, cela ne suffit pas : une molécule qui paraît similaire sur le plan statistique peut avoir des propriétés tout à fait différentes. L'IA doit comprendre les vraies règles chimiques, comme la façon dont les atomes interagissent et la raison pour laquelle les électrons se répartissent d'une certaine manière.

C'est pourquoi Coley a intégré des principes chimiques à ses modèles. L'IA ne devine plus, elle raisonne, comme un chimiste expérimenté.

Comment ça marche

L'approche de Coley repose sur des réseaux de neurones dits informés par la physique (physics-informed neural networks). Ils associent la puissance de l'apprentissage profond à des contraintes explicites issues de la chimie. Le modèle peut proposer une molécule qui :

• N'est jamais apparue dans le jeu d'entraînement
• Mais respecte les lois chimiques : elle ne viole ni la valence ni l'équilibre électronique
• Et possède probablement les propriétés requises pour un médicament

C'est comme donner à l'IA non pas simplement une série d'exemples, mais un manuel de chimie, puis lui demander de résoudre un problème créatif.

Applications et potentiel

«

Nous voulons que l'IA ne se contente pas de prédire quelles molécules fonctionneront, mais qu'elle puisse aussi expliquer pourquoi », déclare Coley.

Cette approche donne déjà des résultats. L'IA trouve des candidats-médicaments que les chimistes humains auraient écartés parce qu'ils sont étranges ou atypiques, mais néanmoins fonctionnels. Cela accélère les premières étapes du développement : au lieu de synthétiser des centaines de composés, on peut d'abord filtrer les 10–20 meilleures options. Pour l'industrie pharmaceutique, c'est crucial : développer un seul médicament coûte des milliards et prend des années.

Ce que cela signifie

C'est le signe d'une évolution de l'apprentissage automatique. La première génération d'IA était purement statistique : elle devinait des motifs. La seconde intègre des connaissances d'experts et des lois physiques. L'IA devient non plus seulement un outil de recherche, mais un chercheur qui raisonne selon des règles. Pour la chimie et la biologie, cela peut signifier une accélération non seulement du développement de médicaments, mais aussi de la découverte de nouveaux matériaux et catalyseurs.