Des chercheurs du Boyce Thompson Institute et de l’université Cornell ont développé AIMe, un outil neuro-symbolique d’intelligence artificielle. Cet outil cartographie plus de 100 millions de petites molécules organiques et aide à résoudre le goulot d’étranglement qui empêche d’identifier la majeure partie des échantillons biologiques.
La identification des petites molécules représente l’un des défis les plus persistants des sciences biomédicales. Dans un échantillon biologique typique, une part majeure des composés détectés ne peuvent pas être reliés à une structure connue, ce qui freine la recherche sur le microbiome intestinal, l’immunité et le métabolisme. Pour pallier cette lacune, des chercheurs du Boyce Thompson Institute et de l’université Cornell ont conçu AIMe, acronyme d’AI Molecule Explorer, selon les informations publiées par les institutions.
Une alternative computationnelle aux bibliothèques de référence
En spectrométrie de masse, instrument incontournable en toxicologie et en analyse alimentaire, un composé est fragmenté pour enregistrer les masses des morceaux résultants. Ce motif de fragments, appelé spectre de masse tandem ou spectre MS2, sert de véritable empreinte digitale moléculaire. Traditionnellement, pour identifier un inconnu, les scientifiques comparent ce spectre à une bibliothèque de référence ou émettent des hypothèses manuelles.
Cependant, les bibliothèques expérimentales restent éparses, et l’interprétation manuelle exige un travail minutieux qui peut prendre des mois. L’outil AIMe adopte une démarche différente en prédisant les spectres de manière computationnelle et en organisant ces prédictions dans une ressource baptisée MS2KOSMOS. Le système a ainsi généré plus de 800 millions de spectres prédits couvrant l’ensemble des petites molécules organiques répertoriées dans PubChem.
Le modèle DeepMS2Reasoner au cœur de l’innovation
Le projet réunit Frank Schroeder, professeur au Boyce Thompson Institute et au département de chimie et de biologie chimique de Cornell, ainsi que Carla Gomes, professeure en informatique et directrice de l’AI for Science Institute de Cornell.
Carla Gomes, professeure de sciences informatiques et directrice de l’AI for Science Institute de l’université Cornell, a indiqué, via Financial Content et Mirage News, qu’au cœur d’AIMe se trouve DeepMS2Reasoner, un modèle qui simule la façon dont les molécules se fragmentent à l’intérieur d’un spectromètre de masse, qu’il construit des voies de fragmentation étape par étape en utilisant des règles chimiques symboliques pour énumérer les étapes de fragmentation physiquement plausibles et un réseau de neurones pour attribuer des probabilités à chaque étape, et que le résultat est un spectre prédit ainsi qu’une carte annotée montrant comment une molécule s’est désarticulée, une fonctionnalité qui rend les résultats d’AIMe interprétables en termes chimiques et pas seulement utiles sur le plan computationnel.
Grâce à cette architecture neuro-symbolique, les chercheurs disposent non seulement de prédictions numériques, mais aussi d’une carte annotée traçant la façon dont chaque molécule s’est désarticulée.
Application pratique sur le microbiome intestinal de la souris
Pour tester l’efficacité de la plateforme dans des conditions réelles, l’équipe a mené une analyse comparative de métabolomique en comparant des souris axéniques, élevées sans microbiote, à des animaux dotés d’une flore intestinale normale. Des milliers de caractéristiques chimiques différaient entre les deux groupes, la plupart restant non identifiées par les méthodes conventionnelles.
En interrogeant MS2KOSMOS avec les spectres des 111 composés microbiens abondants et non identifiés, l’outil a fourni des correspondances spectrales proches et des pistes structurelles pour environ un tiers d’entre eux. Pour le reste, les inconnues ont été positionnées au sein de voisinages moléculaires basés sur des motifs de fragmentation partagés.
Frank Schroeder, professeur au Boyce Thompson Institute et au département de chimie et de biologie chimique de l’université Cornell, a déclaré, via Financial Content et Mirage News, que deux composés en particulier ont servi de cas d’étude pour illustrer ce que l’élucidation de structure guidée par l’IA peut accomplir, que tous deux ont produit des spectres suggérant qu’ils étaient des dérivés de polyamines, une classe de molécules bien étudiée, mais que les motifs de fragments ne correspondaient à rien de décrit auparavant, et qu’en utilisant les résultats d’AIMe comme guide, leur équipe a assemblé des structures candidates de manière combinatoire, prédit les spectres pour chaque candidat et utilisé la comparaison pour restreindre le champ des possibilités.
Pour le premier composé, la structure s’est avérée être un dérivé linéaire de putrescine, validé par la suite grâce à la synthèse d’un étalon authentique. Concernant le second, l’intégration de variantes cyclisées dans les recherches a permis d’expliquer les pics persistants, confirmant l’efficacité de la démarche guidée par l’intelligence artificielle dans l’élucidation structurale.
À ne pas manquer