Points clés
- Contexte : en fin de découverte de médicaments, on modifie des molécules. À partir d'un composé de tête, il faut décider lesquels de milliers d'analogues possibles synthétiser en premier, et la prédiction des sites réactionnels (où les liaisons se rompent et se forment) est déterminante.
- Méthode : Minot et ses collègues proposent dans Nature Computational Science une boucle fermée d'apprentissage actif et d'apprentissage profond géométrique : le modèle choisit lui-même les expériences les plus utiles, les résultats reviennent l'améliorer en continu, et un réseau sensible aux symétries tire davantage d'informations de chaque expérience annotée.
- Validation : avec une séparation par squelettes (scaffold split), plus proche des conditions réelles de découverte, les réseaux de neurones sur graphes surpassent nettement XGBoost. L'étude a aussi produit un jeu de données public, qui fournit un modèle de validation pour une chimie économe en données.
Analyse
Le point fort est la « boucle fermée » plutôt qu'un modèle isolé : l'apprentissage actif fait du choix des expériences un problème d'optimisation, tandis que l'apprentissage profond géométrique tire beaucoup de peu de données. Les auteurs sont aussi francs : EquiformerV2 perd en précision sur les substrats les plus complexes, et le domaine a encore besoin de données de réactions publiques plus vastes et plus variées. La question de demain n'est plus « cette molécule peut-elle être fabriquée ? », mais « lequel de milliers d'analogues fabriquer en premier ? ».
Lien d'origine : AI Chemists Learn Where to Break Molecules: Active Learning Steers Drug Discovery Reactions. Ce texte est un résumé, fourni à titre indicatif uniquement.
