Accélération par l’IA

Une accélération majeure pour la simulation moléculaire

La simulation de la dynamique moléculaire est un pilier indispensable de la recherche pharmaceutique, mais elle reste extrêmement coûteuse en ressources informatiques. Pour modéliser le comportement des atomes, les chercheurs doivent traditionnellement calculer les forces entre chaque particule par paliers infimes, souvent de l’ordre de la femtoseconde (10⁻¹⁵ secondes). Comme les processus biologiques d’intérêt s’étendent sur des échelles de temps bien plus vastes, des milliards d’étapes de calcul sont nécessaires, ce qui limite la taille et la durée des expériences numériques. Une étude publiée dans Science Advances par des chercheurs de l’Université de technologie Chalmers et de l’Université de Göteborg, en Suède, change radicalement la donne. Leur nouveau modèle d’IA a démontré une capacité à accélérer ces simulations jusqu’à 10 000 fois par rapport aux méthodes conventionnelles. En apprenant les règles fondamentales régissant le mouvement des molécules à partir de séquences simulées, l’IA parvient à prédire le comportement de nouvelles structures moléculaires sans avoir à effectuer chaque calcul numérique fastidieux.

La méthode DMTS-NC : combiner distillation et saut temporel

Parallèlement aux avancées suédoises, une équipe composée de scientifiques de Sorbonne Université et de Qubit Pharmaceuticals a développé une approche complémentaire baptisée DMTS-NC (Distilled Multiple Time-Stepping with Nonconservative Forces). Comme le rapporte AI Insider, cette technique combine deux stratégies computationnelles : la distillation de connaissances — où un réseau de neurones léger imite un modèle plus complexe — et le saut temporel (multi-time-stepping). Cette méthode permet de réaliser des gains de performance significatifs :

• Jusqu’à 5,6 fois plus rapide que les simulations conventionnelles à pas de temps unique.
• Une amélioration de 15 % à 30 % par rapport aux cadres d’accélération précédents de l’équipe.
• Une précision maintenue sur des systèmes complexes tels que l’eau, les protéines et les petites molécules.

L’innovation majeure ici réside dans l’utilisation de forces non conservatives pour prédire les interactions, ce qui élimine le besoin de dériver les forces à partir d’un paysage énergétique complexe, une opération traditionnellement gourmande en calculs.

Implications pour le développement de médicaments

Le développement d’un nouveau médicament prend souvent plus de dix ans, une grande partie du temps et des coûts étant absorbée par le criblage initial de milliers de molécules candidates. Grâce à l’IA, les chercheurs peuvent désormais identifier les molécules les plus prometteuses avec une précision accrue et une rapidité décuplée. « Ce qui distingue notre modèle d’IA, c’est qu’il apprend la dynamique sous-jacente sur des échelles de temps plus longues. Il fournit non seulement des informations sur les formes que prennent les molécules, mais aussi sur la rapidité et les voies par lesquelles ces transitions moléculaires se produisent. » Simon Olsson, chercheur principal et professeur associé à l’Université de technologie Chalmers et à l’Université de Göteborg, via Mirage News. L’étude suédoise a validé cette efficacité en testant plus de 12 500 molécules organiques et plus d’un millier de peptides. Ces résultats suggèrent que l’IA ne se contente pas d’accélérer le processus : elle permet d’explorer des espaces chimiques beaucoup plus vastes, ouvrant la porte à des traitements que les méthodes de calcul classiques ne permettaient pas d’envisager en un temps raisonnable.

Perspectives et validation scientifique

Bien que les deux approches diffèrent par leur mise en œuvre technique, elles convergent vers un même objectif : lever les verrous computationnels qui freinent la recherche en biologie et en science des matériaux. Le Journal of Chemical Theory and Computation souligne que ces modèles, bien que basés sur l’apprentissage automatique, respectent les lois physiques fondamentales, garantissant ainsi la fiabilité des résultats obtenus. Pour les chercheurs, la prochaine étape consistera à appliquer ces modèles à des systèmes biologiques encore plus complexes. Si la tendance actuelle se confirme, l’intégration de l’IA dans les flux de travail de dynamique moléculaire deviendra bientôt la norme, réduisant potentiellement de plusieurs années les phases de recherche fondamentale en pharmacologie.

Find more reporting in our Sciences et technologies section.