Des modèles d’IA pour comprendre les principes chimiques au MIT
Les chercheurs estiment qu’entre 1020 et 1060 composés chimiques pourraient avoir un potentiel en tant que médicaments à petites molécules. Évaluer chacun de ces composés par des méthodes expérimentales serait beaucoup trop long pour les chimistes. Par conséquent, l’intelligence artificielle est de plus en plus utilisée pour identifier des candidats prometteurs pour le développement de médicaments.
Parmi ces chercheurs, le professeur associé au MIT, Connor Coley, PhD ’19, occupe une position clé. Il est titulaire d’un poste au sein des départements de génie chimique et d’ingénierie électrique et informatique, ainsi qu’au MIT Schwarzman College of Computing. Ses travaux se situent à l’intersection du génie chimique et de l’informatique, où il développe des modèles computationnels pour analyser un grand nombre de composés chimiques, concevoir de nouveaux composés et prédire les voies de réaction.
Coley souligne que son approche peut s’appliquer à divers domaines des molécules organiques, mais se concentre principalement sur la découverte de médicaments à petites molécules. Son intérêt pour la science est familial, avec plusieurs membres de sa famille travaillant dans des domaines scientifiques.
Après avoir obtenu son diplôme de Caltech, où il a étudié le génie chimique, Coley a poursuivi un doctorat au MIT, où il a optimisé les réactions chimiques automatisées en combinant apprentissage automatique et chimi-informatique. Ses recherches ont été partiellement financées par un programme de la DARPA, intitulé Make-It, qui vise à améliorer la synthèse de médicaments à partir de blocs de construction simples.
Après un post-doctorat au Broad Institute, il est revenu au MIT en 2020 pour établir son groupe de recherche, axé sur l’utilisation de l’IA pour synthétiser des composés existants et concevoir de nouveaux médicaments. Son laboratoire a développé divers modèles, dont ShEPhERD, qui évalue les molécules en fonction de leur interaction avec des protéines cibles, et FlowER, un modèle d’IA génératif capable de prédire les produits de réaction issus de différents intrants chimiques.
Ces modèles intègrent des principes physiques fondamentaux, comme la loi de conservation de la masse, et prennent en compte la faisabilité des étapes intermédiaires dans les réactions. Cette approche vise à améliorer la précision des prédictions tout en ancrant les modèles d’apprentissage automatique dans une compréhension des mécanismes de réaction, semblable à celle d’un chimiste expert.
Les étudiants de son laboratoire travaillent également sur divers aspects de l’optimisation des réactions chimiques, y compris l’élucidation assistée par ordinateur, l’automatisation des laboratoires et la conception expérimentale optimale. À travers ces initiatives, Coley et son équipe espèrent faire avancer les frontières de l’IA en chimie.
Source : MIT News
