DeepEnzyme

Le projet DeepEnzyme a été lauréat en 2020 de l'appel à projets PRÉMATURATION, piloté par l'Innovation Lab d'IP Paris.

Cette IA cible la conception de médicaments in-silico, en développant des algorithmes et des logiciels pour évaluer l'efficacité des molécules et découvrir de nouveaux composés actifs.

Le projet repose sur une coopération entre deux laboratoires de l'École Polytechnique, combinant leur expertise en apprentissage profond (deep learning), bio-informatique structurale et biochimie. 

Cette approche transversale vise à améliorer la précision des processus de criblage, à réduire les coûts expérimentaux et à raccourcir les délais de développement.

L'équipe développe une approche hybride in-silico pour la prédiction de médicaments à grande échelle. 

Cette IA se compose de :

• Une approche multimodale et inspirée par la physique de deep learning, permettant de prédire de manière quantitative les interactions protéine-ligand (IPL) grâce à un modèle de solvatation inédit basé sur l’IA. Cette approche tire parti des développements récents des grands modèles linguistiques (LLMs) et de l'apprentissage automatique sur graphes (GML) en analysant les structures protéiques à la fois comme des séquences d'acides aminés et comme des graphes géométriques.

• L’adaptation de modèles de pointe en réseaux de neurones de diffusion et graphes géométriques, capables de traiter les protéines et molécules complexes, répondant aux défis actuels de la découverte pharmaceutique. 

• Un atout unique : l’IA est entraînée sur un jeu de données généré par simulation physique, bien plus large que les bases de données expérimentales disponibles, rendant les prédictions plus universelles, robustes et précises.

• Une base de données unique, constituée à partir de données publiques, enrichie par des résultats expérimentaux issus de l’École polytechnique. L’équipe s’appuie sur une expertise interne sur les protéines dépendantes de la vitamine B9, cibles majeures pour les traitements antimicrobiens et anticancéreux.

• Une approche technologique de pointe en deep learning, intégrant protéines, molécules et solvants.