LabGenius
Dans une ancienne biscuiterie du sud de Londres, les mélangeurs géants et les fours industriels ont été remplacés par des bras robotisés, des incubateurs et des machines de séquençage d’ADN. James Field et sa société LabGenius ne fabriquent pas de friandises sucrées ; ils préparent une approche révolutionnaire, alimentée par l’IA, pour concevoir de nouveaux anticorps médicaux.
Dans la nature, les anticorps sont la réponse du corps à la maladie et servent de troupes de première ligne au système immunitaire. Ce sont des brins de protéines spécialement conçus pour coller aux envahisseurs étrangers afin qu’ils puissent être éliminés du système. Depuis les années 1980, les sociétés pharmaceutiques fabriquent des anticorps synthétiques pour traiter des maladies comme le cancer et pour réduire le risque de rejet d’organes transplantés.
Mais la conception de ces anticorps est un processus lent pour les humains – les concepteurs de protéines doivent parcourir les millions de combinaisons potentielles d’acides aminés pour trouver ceux qui se replieront exactement de la bonne manière, puis les tester tous expérimentalement, en ajustant certaines variables pour améliorer certaines caractéristiques du traitement tout en espérant que cela ne l’aggrave pas par d’autres moyens. « Si vous souhaitez créer un nouvel anticorps thérapeutique, quelque part dans cet espace infini de molécules potentielles se trouve la molécule que vous souhaitez trouver », déclare Field, fondateur et PDG de LabGenius.
Il a lancé l’entreprise en 2012 lorsque, alors qu’il étudiait pour un doctorat en biologie synthétique à l’Imperial College de Londres, il a vu les coûts du séquençage de l’ADN, du calcul et de la robotique baisser. LabGenius utilise les trois pour automatiser en grande partie le processus de découverte d’anticorps. Au laboratoire de Bermondsey, un algorithme d’apprentissage automatique conçoit des anticorps pour cibler des maladies spécifiques, puis des systèmes robotiques automatisés les construisent et les développent en laboratoire, exécutent des tests et réinjectent les données dans l’algorithme, le tout avec une supervision humaine limitée. Il y a des salles pour cultiver des cellules malades, cultiver des anticorps et séquencer leur ADN : des techniciens en blouse de laboratoire préparent des échantillons et tapent sur des ordinateurs pendant que des machines tournent en arrière-plan.
Les scientifiques humains commencent par identifier un espace de recherche d’anticorps potentiels pour lutter contre une maladie particulière : ils ont besoin de protéines capables de différencier les cellules saines des cellules malades, de coller aux cellules malades, puis de recruter une cellule immunitaire pour terminer le travail. Mais ces protéines pourraient se trouver n’importe où dans l’espace de recherche infini des options potentielles. LabGenius a développé un modèle d’apprentissage automatique qui peut explorer cet espace beaucoup plus rapidement et efficacement. « La seule entrée que vous donnez au système en tant qu’humain est, voici un exemple de cellule saine, voici un exemple de cellule malade », explique Field. « Et puis vous laissez le système explorer les différents [antibody] des conceptions qui peuvent les différencier.
Le modèle sélectionne plus de 700 options initiales parmi un espace de recherche de 100 000 anticorps potentiels, puis les conçoit, les construit et les teste automatiquement, dans le but de trouver des domaines potentiellement fructueux à étudier plus en profondeur. Pensez à choisir la voiture parfaite parmi un éventail de milliers : vous pouvez commencer par choisir une couleur large, puis filtrer à partir de là dans des nuances spécifiques.
Les tests sont presque entièrement automatisés, avec une gamme d’équipements haut de gamme impliqués dans la préparation des échantillons et leur passage à travers les différentes étapes du processus de test : les anticorps sont cultivés en fonction de leur séquence génétique, puis testés sur des tests biologiques – des échantillons des tissus malades qu’ils ont été conçus pour traiter. Les humains supervisent le processus, mais leur travail consiste en grande partie à déplacer des échantillons d’une machine à l’autre.
«Lorsque vous avez les résultats expérimentaux de ce premier ensemble de 700 molécules, ces informations sont renvoyées au modèle et sont utilisées pour affiner la compréhension du modèle de l’espace», explique Field. En d’autres termes, l’algorithme commence à brosser un tableau de la façon dont différentes conceptions d’anticorps modifient l’efficacité du traitement – à chaque cycle ultérieur de conceptions d’anticorps, il s’améliore, équilibrant soigneusement l’exploitation de conceptions potentiellement fructueuses avec l’exploration de nouveaux domaines.
« Un défi avec l’ingénierie conventionnelle des protéines est que dès que vous trouvez quelque chose qui fonctionne un peu, vous avez tendance à apporter un très grand nombre de très petites modifications à cette molécule pour voir si vous pouvez l’affiner davantage », explique Field. Ces ajustements peuvent améliorer une propriété – la facilité avec laquelle l’anticorps peut être fabriqué à grande échelle, par exemple – mais avoir un effet désastreux sur les nombreux autres attributs requis, tels que la sélectivité, la toxicité, la puissance, etc. L’approche conventionnelle signifie que vous pouvez aboyer le mauvais arbre ou manquer le bois pour les arbres, optimisant sans cesse quelque chose qui fonctionne un peu, alors qu’il peut y avoir de bien meilleures options dans une partie complètement différente de la carte.
Vous êtes également limité par le nombre de tests que vous pouvez exécuter, ou le nombre de « tirs au but », comme le dit Field. Cela signifie que les ingénieurs en protéines humaines ont tendance à rechercher des choses dont ils savent qu’elles fonctionneront. « En conséquence, vous obtenez toutes ces heuristiques ou règles empiriques que les ingénieurs en protéines humaines appliquent pour essayer de trouver les espaces sûrs », explique Field. « Mais en conséquence de cela, vous obtenez rapidement l’accumulation de dogmes. »
L’approche LabGenius produit des solutions inattendues auxquelles les humains n’auraient peut-être pas pensé, et les trouve plus rapidement : il ne faut que six semaines entre la configuration d’un problème et la fin du premier lot, le tout dirigé par des modèles d’apprentissage automatique. LabGenius a levé 28 millions de dollars auprès d’Atomico et de Kindred, et commence à s’associer à des sociétés pharmaceutiques, offrant ses services comme un cabinet de conseil. Field affirme que l’approche automatisée pourrait également être étendue à d’autres formes de découverte de médicaments, transformant le long processus «artisanal» de découverte de médicaments en quelque chose de plus rationalisé.
En fin de compte, dit Field, c’est une recette pour de meilleurs soins : des traitements par anticorps qui sont plus efficaces ou ont moins d’effets secondaires que ceux existants conçus par l’homme. « Vous trouvez des molécules que vous n’auriez jamais trouvées en utilisant des méthodes conventionnelles », dit-il. « Ils sont très distincts et souvent contre-intuitifs par rapport aux conceptions que vous proposeriez en tant qu’humain, ce qui devrait nous permettre de trouver des molécules avec de meilleures propriétés, ce qui se traduit finalement par de meilleurs résultats pour les patients. »
Cet article paraît dans l’édition de septembre/octobre 2023 du magazine WIRED UK.
Cette histoire est apparue à l’origine sur wired.com.