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.
