Des antibiotiques conçus par IA visent les bactéries résistantes

Les antibiotiques ont profondément transformé la médecine moderne, mais leur efficacité est mise à mal par l’essor de bactéries capables de résister aux traitements. Face à cette crise, des chercheurs du Massachusetts Institute of Technology, le MIT, ont employé l’intelligence artificielle générative pour imaginer des molécules qui ne ressemblent pas aux antibiotiques connus. Leur méthode a fait émerger deux candidats particulièrement prometteurs contre la gonorrhée résistante et le staphylocoque doré résistant à la méticilline, ou MRSA.

L’idée n’est pas de demander à une IA de choisir un médicament existant. Il s’agit de lui faire parcourir une partie immense de ce que les chimistes appellent l’espace chimique, c’est-à-dire l’ensemble théorique des molécules qu’il serait possible de concevoir. Cet espace est si vaste qu’aucun laboratoire ne peut le sonder expérimentalement, molécule par molécule. Les algorithmes servent ici à générer, puis à trier, un nombre considérable de structures avant que les scientifiques ne fabriquent et ne testent les plus crédibles.

À la mi-août 2025, les résultats rapportés par l’équipe montrent que cette approche peut ouvrir des pistes face à deux pathogènes importants. Ils restent toutefois à un stade précoce de développement : les résultats obtenus en laboratoire et chez la souris ne suffisent pas à démontrer qu’un composé sera sûr et efficace chez l’être humain.

Pourquoi la résistance aux antibiotiques impose-t-elle de trouver de nouvelles molécules ?

Une bactérie devient résistante lorsqu’elle acquiert ou développe des mécanismes qui lui permettent de survivre à un antibiotique qui l’éliminait auparavant. Elle peut, par exemple, empêcher le médicament de pénétrer, l’expulser, modifier la cible visée par le traitement ou produire une enzyme capable de l’inactiver. L’usage inadapté ou excessif des antibiotiques accélère la sélection de ces bactéries résistantes, qui peuvent ensuite se transmettre.

L’enjeu dépasse largement quelques infections rares. Les infections bactériennes résistantes aux médicaments sont associées à près de 5 millions de décès par an dans le monde. Elles compliquent aussi des soins courants : chirurgie, chimiothérapie, greffes ou prise en charge de patients fragiles reposent souvent sur la possibilité de traiter rapidement une infection bactérienne.

Deux cibles ont été retenues par les chercheurs du MIT :

• Neisseria gonorrhoeae, la bactérie responsable de la gonorrhée, ou blennorragie. Cette infection sexuellement transmissible est devenue de plus en plus difficile à traiter dans certaines souches résistantes.
• Staphylococcus aureus résistant à la méticilline, couramment appelé MRSA. Cette bactérie peut notamment provoquer des infections de la peau et des tissus mous, mais aussi des infections plus graves selon les situations cliniques.

Ces deux organismes n’ont pas la même architecture cellulaire. N. gonorrhoeae est une bactérie à Gram négatif, dotée d’une membrane externe supplémentaire qui constitue une barrière redoutable pour de nombreuses molécules. S. aureus est une bactérie à Gram positif, dont l’enveloppe est organisée autrement. Trouver des candidats contre les deux permet donc de tester l’intérêt de la méthode sur des problèmes biologiques distincts.

Comment l’IA générative a exploré un espace chimique inédit

Les outils génératifs utilisés dans ce travail ne produisent pas du texte ou des images. Ils manipulent des représentations de molécules, formées d’atomes et de liaisons chimiques. Leur fonction est de proposer de nouvelles structures qui respectent des contraintes chimiques, puis d’aider à identifier celles qui ont le plus de chances de posséder les propriétés recherchées.

Le projet a commencé par la génération d’environ 45 millions de fragments chimiques. Ces fragments sont des éléments moléculaires relativement simples, susceptibles de servir de briques de départ. Des modèles d’apprentissage automatique ont ensuite servi de filtre. L’objectif était d’écarter les structures prédites comme toxiques pour les cellules humaines, ainsi que celles trop proches d’antibiotiques déjà existants.

Cette dernière précaution est centrale. La recherche ne visait pas seulement à retrouver des variantes de médicaments connus, mais à découvrir des familles structurales distinctes. Une structure nouvelle ne garantit évidemment ni l’efficacité ni la sécurité. En revanche, elle peut donner accès à des mécanismes d’action différents, et donc potentiellement contourner certaines résistances déjà installées.

Les chercheurs ont fini par identifier un fragment appelé F1, actif contre N. gonorrhoeae. À partir de cette base, ils ont utilisé deux algorithmes génératifs complémentaires :

• CReM, qui modifie une molécule existante en ajoutant ou en remplaçant des atomes ;
• F-VAE, qui construit des molécules complètes à partir d’un fragment chimique.

L’IA n’a donc pas remplacé l’expérimentation. Elle a déplacé le travail humain vers les étapes décisives : formuler les critères, contrôler les hypothèses, choisir les molécules à synthétiser, les fabriquer et confronter leurs performances aux essais biologiques. La force de la méthode tient précisément à cette succession entre génération numérique et validation réelle.

De millions de propositions aux candidats NG1 et DN1

Les volumes de molécules mentionnés dans cette étude peuvent sembler vertigineux. Ils correspondent à plusieurs phases successives, et non à plusieurs dizaines de millions de produits immédiatement fabriqués en laboratoire. L’immense majorité des candidats est examinée de façon informatique avant qu’une sélection beaucoup plus restreinte n’arrive au stade de la synthèse et des tests.

Au total, les deux programmes ont ainsi porté sur plus de 36 millions de candidats moléculaires générés par IA. La différence entre ce chiffre et les quelques dizaines de molécules effectivement testées illustre un aspect fondamental de la découverte de médicaments : la synthèse et l’évaluation biologique sont lentes, coûteuses et exigeantes. La valeur d’un bon modèle est de réduire le nombre de fausses pistes à examiner sans écarter, autant que possible, les molécules les plus intéressantes.

NG1, une piste contre la gonorrhée résistante

Dans le premier volet du travail, NG1 est le candidat qui s’est distingué contre Neisseria gonorrhoeae. Il a démontré une efficacité dans des modèles de laboratoire ainsi que dans des modèles d’infection à gonorrhée résistante.

Les chercheurs attribuent son activité à une interaction avec LptA, une protéine impliquée dans la synthèse de la membrane externe bactérienne. Pour une bactérie à Gram négatif, cette membrane externe est une enveloppe protectrice essentielle. La perturber revient à fragiliser une fonction indispensable à sa survie.

Ce mécanisme intéresse particulièrement les scientifiques parce qu’il diffère de nombreuses approches employées par les antibiotiques classiques. Lorsqu’une molécule attaque une fonction bactérienne peu ou pas exploitée par les médicaments existants, elle peut théoriquement conserver une activité là où d’autres traitements échouent. Mais ce potentiel devra être vérifié à travers une série d’études supplémentaires, notamment sur la toxicité, le dosage et la capacité du composé à circuler jusqu’au site de l’infection.

Il est également important de ne pas surinterpréter le mot « efficace ». Dans ce contexte, il désigne des résultats précliniques : des essais sur des bactéries et des modèles animaux. Il ne signifie pas que NG1 est un médicament approuvé, ni qu’il pourra être prescrit à court terme contre la gonorrhée.

DN1, un candidat contre le staphylocoque doré résistant

Le second volet ciblait Staphylococcus aureus, une bactérie à Gram positif. Cette fois, l’équipe a utilisé les mêmes outils génératifs sans contrainte initiale afin de créer plus de 29 millions de nouvelles molécules. Après filtrage, 22 candidats ont été testés.

Parmi eux, six ont présenté une activité antibactérienne marquée contre S. aureus. Le candidat DN1 a notamment éliminé une infection cutanée à MRSA dans des modèles murins. Ce résultat fournit une indication plus robuste qu’une simple activité observée dans une culture bactérienne : la molécule a été évaluée dans un organisme vivant confronté à une infection de peau.

Pour autant, les souris ne prédisent pas parfaitement la réponse humaine. Une substance qui fonctionne dans un modèle murin peut se révéler insuffisamment active, mal tolérée ou difficile à administrer chez des patients. C’est pourquoi la découverte d’un « candidat » ne constitue que le début du chemin vers un éventuel antibiotique.

Ce que ces résultats changent dans la découverte des antibiotiques

La découverte d’antibiotiques est confrontée à un paradoxe. Les besoins de santé publique sont immenses, mais mettre au point un nouveau traitement demande de nombreuses années, comporte un risque scientifique élevé et reste économiquement difficile. Les bactéries évoluent, tandis que les antibiotiques sont idéalement utilisés avec parcimonie afin de préserver leur efficacité. Cette réalité limite les volumes de vente attendus et peut décourager l’investissement privé.

L’IA générative ne résout pas à elle seule ces difficultés. Elle peut néanmoins améliorer la première étape du processus, celle où il faut imaginer des composés assez différents, assez actifs et assez sûrs pour mériter des efforts de développement. Elle apporte un moyen de sortir d’un espace chimique souvent exploré autour de familles de molécules déjà connues.

La démarche du MIT montre aussi l’intérêt d’associer plusieurs critères dès l’amont : activité antimicrobienne attendue, éloignement structurel des antibiotiques existants et exclusion de candidats potentiellement toxiques pour les cellules humaines. Aucun filtre informatique n’est infaillible, mais cette sélection précoce permet de concentrer les ressources expérimentales sur un groupe plus raisonnable de molécules.

Ce qu’il faut surveiller avant de parler de nouveaux traitements

L’organisation à but non lucratif Phare Bio, partenaire du projet, doit désormais poursuivre le développement de NG1 et DN1 en vue d’essais supplémentaires. Cette étape pourra notamment nécessiter des modifications chimiques destinées à améliorer les propriétés des molécules et à préciser leur profil de sécurité.

Plusieurs questions devront recevoir une réponse avant tout passage à des essais cliniques : quelle dose est nécessaire, quelle voie d’administration est envisageable, la molécule atteint-elle les tissus infectés, provoque-t-elle des effets toxiques, et les bactéries peuvent-elles rapidement développer une résistance contre elle ? Les effets indésirables définitifs ne sont pas établis à ce stade.

Les chercheurs envisagent aussi d’étendre l’approche à d’autres pathogènes, parmi lesquels Mycobacterium tuberculosis, responsable de la tuberculose, et Pseudomonas aeruginosa, une bactérie souvent impliquée dans des infections difficiles à traiter. La promesse la plus importante n’est donc pas seulement un duo de candidats. C’est la démonstration qu’une exploration guidée par IA peut faire apparaître des voies chimiques inattendues, à condition de les soumettre ensuite au long examen de la biologie, de la toxicologie et de la médecine clinique.