L’IA découvre plus de 100 000 nouveaux composés psychédéliques

L’intelligence artificielle (IA) transforme rapidement la découverte de médicaments, et les psychédéliques ne font pas exception. Récemment, les scientifiques ont exploité les outils d’IA pour identifier plus de 100 000 nouveaux composés psychédéliques potentiels.

Il ne s’agit pas de simples produits chimiques aléatoires – ce sont des candidats dont on prédit qu’ils interagissent avec les mêmes récepteurs cérébraux que ceux ciblés par les psychédéliques connus, ce qui pourrait mener à de nouvelles thérapies pour la santé mentale. Cette avancée démontre la puissance de l’apprentissage automatique en chimie, en utilisant des algorithmes pour explorer l’espace chimique bien au-delà de ce que les humains pourraient faire manuellement.

Dans ce blog, nous expliquerons comment l’IA a réalisé cet exploit, quelles méthodes ont été utilisées (des modèles d’apprentissage profond à la chimie générative), et ce que cela pourrait signifier pour l’avenir de la recherche et des traitements psychédéliques.

La découverte de plus de 100 000 nouvelles molécules de type psychédélique a été rendue possible en combinant la modélisation de protéines basée sur l’IA avec le criblage virtuel de médicaments.

Les chercheurs ont utilisé AlphaFold de DeepMind, une IA de pointe qui prédit les structures des protéines, pour modéliser la forme des récepteurs cérébraux clés impliqués dans les effets psychédéliques.

L’une de ces cibles était le récepteur de la sérotonine 5-HT2A – le site principal auquel le LSD et la psilocybine se lient pour induire des expériences psychédéliques.

Avec un modèle de récepteur précis en main, les chimistes computationnels ont pu ensuite utiliser le criblage virtuel pour évaluer comment des millions (voire des milliards) de structures chimiques pourraient s’intégrer dans le site de liaison de ce récepteur.

AlphaFold a fourni des modèles 3D de haute qualité des protéines réceptrices. C’était crucial car connaître la forme précise du site actif d’un récepteur permet au criblage virtuel d’être beaucoup plus efficace.

Auparavant, l’obtention de telles structures protéiques reposait sur des techniques de laboratoire comme la cristallographie aux rayons X ou la cryo-EM, qui prenaient des mois ou des années. Les prédictions d’AlphaFold sont disponibles « sur simple pression d’un bouton », accélérant considérablement le processus.

Les chercheurs ont ensuite déployé des algorithmes d’ancrage – des programmes informatiques qui tentent d’« ajuster » des molécules virtuelles dans le modèle de récepteur comme des pièces d’un puzzle.

• Des centaines de millions de molécules ont été virtuellement « ancrées » pour voir lesquelles pourraient bien se lier.
• À partir de cet énorme catalogue de possibilités, l’IA a signalé des centaines de milliers de résultats qui présentaient de fortes interactions prédites avec le récepteur.

En substance, l’IA a passé au crible une botte de foin de l’espace chimique et en a extrait un grand nombre d’« aiguilles ».

Ce qui a stupéfié les scientifiques, ce n’est pas seulement la quantité de nouveaux composés, mais leur nouveauté.

« Il n’y avait pas deux molécules identiques. Elles ne se ressemblaient même pas. » – Dr Brian Shoichet

Pourtant, les ensembles identifiés par l’IA et ceux identifiés traditionnellement ont montré des taux de succès similaires lors des tests en laboratoire, ce qui signifie que les résultats virtuels d’AlphaFold étaient tout aussi susceptibles de fonctionner que ceux des techniques plus anciennes.

En fait, le criblage basé sur l’IA a même identifié certains des activateurs les plus puissants du récepteur de la sérotonine, surpassant l’approche conventionnelle à cet égard.

« AlphaFold est une révolution absolue. Si nous avons une bonne structure, nous devrions pouvoir l’utiliser pour la conception de médicaments. » – Dr Jens Carlsson

Alors, quelles méthodes spécifiques d’IA et d’apprentissage automatique ont rendu cela possible ?
Il y avait deux parties clés :

1. Apprentissage profond pour la prédiction de la structure des protéines
2. Modèles génératifs pour la conception de molécules

AlphaFold lui-même est alimenté par l’apprentissage profond. Il a été entraîné sur des structures protéiques connues et a appris à prédire comment les séquences d’acides aminés se replient en formes 3D.

En 2022, AlphaFold avait prédit les structures de pratiquement toutes les protéines du corps humain, y compris celles pertinentes pour les psychédéliques. Avoir ces structures a permis l’ancrage virtuel décrit ci-dessus.

Cela démontre une application « révolutionnaire » de l’IA : utiliser des prédictions lorsque les expériences sont trop lentes.

Au-delà du simple criblage de bibliothèques de molécules existantes, l’IA peut également inventer de nouvelles molécules à partir de zéro. Les modèles génératifs – une classe de modèles d’apprentissage automatique – sont comme des chimistes imaginatifs qui créent de nouvelles structures chimiques répondant à certains critères.

Par exemple :

• Une équipe de recherche a développé un système appelé MegaSyn, qui utilise des réseaux neuronaux profonds (basés sur LSTM) pour générer de nouveaux analogues psychédéliques.
• Ils ont « amorcé » le modèle avec des structures psychédéliques connues (comme celles du LSD, de la psilocybine, de l’ibogaïne, etc.), puis l’ont laissé improviser et produire des variations.
• Le résultat ? L’IA a généré 100 000 nouveaux composés qui n’existaient pas auparavant.

Ceux-ci ont ensuite été filtrés et évalués selon des critères multi-objectifs, tels que :

• Activité prédite sur un récepteur cible
• Qualité de médicament

Dans une validation remarquable de cette approche, les 50 meilleures suggestions de l’IA incluaient le tabernanthalog, un analogue psychédélique prometteur que les chimistes avaient inventé quelques années auparavant.

La chimie générative utilise souvent des architectures d’apprentissage profond comme :

• Réseaux neuronaux récurrents (RNN)
• Auto-encodeurs variationnels (VAE)

Ceux-ci sont entraînés sur des millions de molécules connues. Ils apprennent le « langage de la chimie » (souvent en utilisant des chaînes SMILES) et génèrent ensuite de nouvelles « phrases » (molécules) qui suivent les modèles appris.

Des approches plus avancées utilisent :

• L’apprentissage par renforcement
• Les algorithmes génétiques

Ces méthodes sont guidées par des fonctions de récompense, telles que :

• Dans quelle mesure la molécule pourrait activer un certain récepteur
• Dans quelle mesure elle est « de type médicament »

L’IA ne génère pas de molécules au hasard – elle s’oriente vers les propriétés pharmacologiques souhaitées.

L’identification de plus de 100 000 nouveaux composés psychédéliques par l’IA n’est pas seulement un grand nombre – elle pourrait marquer une nouvelle ère pour la science psychédélique.

Découverte de médicaments plus rapide
Ce qui prenait des années de synthèse et de tests aux chimistes peut désormais être considérablement accéléré.

• L’IA peut proposer des molécules en quelques jours
• Les robots de synthèse automatisée peuvent les fabriquer et les tester à haut débit

Cela pourrait conduire à une expansion rapide du pipeline de médicaments psychédéliques.

Nouveaux traitements
Beaucoup des composés découverts par l’IA sont structurellement distincts des psychédéliques classiques.
Par exemple :

• Les chercheurs s’intéressent aux analogues non hallucinogènes qui conservent des effets thérapeutiques (comme les bienfaits antidépresseurs ou neuroplastiques) sans le voyage intense.
• Si certains de ces 100 000 composés correspondent à ce profil, ils pourraient devenir des thérapies psychédéliques de nouvelle génération.

« De nombreuses cibles médicamenteuses pourraient ne pas être facilement accessibles avec les outils expérimentaux existants. » – Dr Carlsson

Avec autant de nouvelles molécules, les scientifiques peuvent étudier comment de légers changements de structure altèrent les effets.

• L’IA peut identifier des modèles dans la conception moléculaire
• Aide à comprendre pourquoi certains composés provoquent des hallucinations tandis que d’autres non
• Informe la conception de médicaments psychédéliques plus sûrs et plus efficaces

En faisant confiance aux modèles d’IA comme AlphaFold :

• Les équipes de recherche pourraient contourner les étapes de laboratoire plus lentes
• Une équipe a estimé que les structures prédites par l’IA pourraient faire démarrer un projet des années plus tôt
• Cela permet d’économiser du temps et de l’argent, ce qui est particulièrement important dans des domaines sous-financés comme les psychédéliques

Le succès de l’IA dans ce domaine renforce la crédibilité de la science psychédélique.

• Elle est alignée sur les technologies de pointe
• Peut attirer davantage de financement et d’intérêt de la part des entreprises pharmaceutiques et des investisseurs
• Des entreprises comme Schrödinger Inc. explorent cette voie, tout en notant que l’IA n’est pas une solution miracle

Cette convergence positionne les psychédéliques à l’avant-garde de la biotechnologie, et non en marge.

Les chercheurs en IA et en pharmacologie sont enthousiasmés par ces développements.

« Ce serait très pratique si nous pouvions appuyer sur un bouton et obtenir une structure que nous pourrions utiliser pour la découverte de ligands. » – Dr Jens Carlsson

Les Dr Brian Shoichet et Dr Bryan Roth étaient initialement sceptiques, mais ont fini par constater qu’AlphaFold pouvait identifier des molécules médicamenteuses différentes, mais tout aussi prometteuses.

« C’est un résultat véritablement nouveau. » – Dr Shoichet

Tout le monde n’est pas aveuglément optimiste.

• Karen Akinsanya de Schrödinger Inc. souligne que les prédictions de l’IA ne sont pas toujours utiles.
• Dans environ un tiers des cas, elles peuvent accélérer la découverte. Dans d’autres, elles peuvent induire en erreur.

L’expertise humaine et les tests en laboratoire restent essentiels.
L’IA élargit l’entonnoir, mais ce sont les humains qui développent les médicaments.

L’IA « pense » la chimie différemment des humains.

• Certains psychédéliques conçus par l’IA pourraient se lier de manières inattendues
• Cela pourrait conduire à des médicaments de précision avec des effets finement ajustés

Des startups comme MindState Design Labs visent à concevoir des molécules qui produisent des sous-ensembles spécifiques d’expériences psychédéliques, ouvrant la voie à des résultats de santé mentale sur mesure.

L’utilisation de l’IA pour découvrir plus de 100 000 composés de type psychédélique est une illustration spectaculaire de la façon dont la technologie peut accélérer la science.

« Nous assistons littéralement à la naissance de nouveaux psychédéliques rêvés par un ordinateur et concrétisés. »

Cela pourrait inaugurer une ère de « Psychédéliques 2.0 », où :

• Les médicaments sont conçus par l’IA
• La guérison est maximisée
• Les risques sont minimisés

Imaginez :

• De nouveaux antidépresseurs avec une puissance de niveau psychédélique, mais sans hallucinations
• De nouvelles expériences qui traitent des conditions auparavant intraitables

Bien que les tests cliniques complets prennent du temps, le voyage a commencé.

Le point à retenir :
L’IA ne remplacera pas les chimistes ou les psychiatres, mais elle dynamise la découverte dans un domaine qui a été en sommeil pendant des décennies. Les portes de la chimie psychédélique ont été grandes ouvertes.

Pour toute personne intéressée par les psychédéliques – qu’il s’agisse d’un utilisateur, d’un scientifique ou d’un observateur – c’est un développement passionnant.
La renaissance psychédélique vient de recevoir une mise à niveau high-tech, et les années à venir pourraient être les plus excitantes.

Sources :

• Callaway, E. (2024). Un programme d’IA trouve des milliers de psychédéliques possibles. Mèneront-ils à de nouveaux médicaments ? Scientific American/Nature​ scientificamerican.com
  
• Mushtaq, Z. (2024). AlphaFold remodèle le paysage de la découverte de médicaments. Mugglehead Magazine​ mugglehead.com
• Jane (2024). Des scientifiques britanniques utilisent l’IA pour la recherche sur les drogues psychédéliques. PsychedelicExperience.net​ psychedelicexperience.net
• Alexander, R., & Hocevar-Trnka, J. (2024). RE104 : Un nouveau psychédélique à action rapide pour la dépression post-partum. Psychiatric Times​ psychiatrictimes.com
• MegaSyn Research (2022). Intégration de la conception moléculaire générative et de la viabilité synthétique. ACS Omega (PMC)​ pmc.ncbi.nlm.nih.gov