This content has not been translated yet: it is shown in its original language (French).
Contents
Développer un médicament demande traditionnellement 10 à 15 ans de recherche et 2,6 milliards de dollars en moyenne, avec un taux d'échec de plus de 90 % lors des essais cliniques (DiMasi et al., 2016).
Quand l'algorithme trouve ce que l'humain n'aurait pas cherché
En 2020, des chercheurs du MIT ont identifié un candidat antibiotique entièrement nouveau en 4 jours, grâce à un algorithme de deep learning. Un composé que les chimistes n'auraient peut-être jamais sélectionné (Stokes et al., 2020).
Un an plus tard, AlphaFold2, de DeepMind, a prédit la structure tridimensionnelle des protéines avec une précision atomique. Sa base couvre aujourd'hui plus de 200 millions de protéines, et résout un problème que la biologie structurale attaquait depuis 50 ans.
Les molécules vues comme des graphes
Ces avancées reposent sur les réseaux de neurones sur graphes (Graph Neural Networks, GNN). Ils représentent une molécule comme un graphe mathématique :
- les atomes sont les nœuds ;
- les liaisons chimiques sont les arêtes.
Le réseau apprend ensuite à prédire les propriétés biologiques de la molécule : activité, toxicité, capacité à se fixer sur une cible.
Un potentiel immense pour l'Afrique
La modélisation computationnelle permettrait d'attaquer des maladies longtemps négligées, comme le paludisme, la trypanosomiase ou la tuberculose, sans les ressources colossales d'un laboratoire pharmaceutique traditionnel. La chimie computationnelle démocratise la découverte de médicaments.
À votre avis, l'Afrique devrait-elle investir davantage dans la bio-informatique et la chimie computationnelle ?
Go further: the full documentPDF · 10 pages · sources and technical detailsDownload
