James Field, fondateur et PDG de Labgenius.

Photographie: Labgenius

Les tests sont presque entièrement automatisés, avec un éventail d'équipements haut de gamme impliqués dans la préparation des échantillons et les exécutant à travers les différentes étapes du processus de test: les anticorps sont cultivés en fonction de leur séquence génétique, puis mis à l'épreuve des tests biologiques – des échantillons des tissus malades auxquels ils ont été conçus pour s'attaquer. Les humains supervisent le processus, mais leur travail consiste en grande partie à déplacer des échantillons d'une machine à l'autre.

«Lorsque vous avez les résultats expérimentaux de ce premier ensemble de 700 molécules, ces informations sont renvoyées au modèle et sont utilisées pour affiner la compréhension du modèle de l'espace», explique Field. En d'autres termes, l'algorithme commence à construire une image de la façon dont différentes conceptions d'anticorps modifient l'efficacité du traitement – avec chaque cycle de conceptions d'anticorps ultérieure, il s'améliore, équilibrant soigneusement l'exploitation de conceptions potentiellement fructueuses avec l'exploration de nouvelles zones.

«Un défi avec l'ingénierie des protéines conventionnels est que, dès que vous trouvez quelque chose qui fonctionne un peu, vous avez tendance à faire un très grand nombre de très petits ajustements à cette molécule pour voir si vous pouvez l'affiner davantage», explique Field. Ces ajustements peuvent améliorer une propriété – à quel point l'anticorps peut facilement être fait à grande échelle, par exemple – mais a un effet désastreux sur les nombreux autres attributs requis, tels que la sélectivité, la toxicité, la puissance, etc. L'approche conventionnelle signifie que vous pouvez aboyer le mauvais arbre ou manquer le bois pour les arbres – optimisant sans aucun doute quelque chose qui fonctionne un peu, lorsqu'il peut y avoir de bien meilleures options dans une partie complètement différente de la carte.

Vous êtes également limité par le nombre de tests que vous pouvez effectuer, ou le nombre de «tirs au but», comme le dit le champ. Cela signifie que les protéines humaines ont tendance à rechercher des choses qu'ils savent fonctionneront. «En conséquence, vous obtenez toutes ces heuristiques ou règles de base que les protéines humaines font pour essayer de trouver les espaces sûrs», explique Field. “Mais en conséquence, vous obtenez rapidement l'accumulation de dogme.”

L'approche de Labgenius donne des solutions inattendues auxquelles les humains n'ont peut-être pas pensé et les trouve plus rapidement: il ne faut que six semaines de la mise en place d'un problème à la finition du premier lot, tous dirigés par des modèles d'apprentissage automatique. Labgenius a recueilli 28 millions de dollars auprès d'Atomico and Kickred, et commence à s'associer à des sociétés pharmaceutiques, offrant ses services comme un conseil. Field indique que l'approche automatisée pourrait également être déployée sur d'autres formes de découverte de médicaments, transformant le long processus «artisanal» de découverte de médicaments en quelque chose de plus rationalisé.

En fin de compte, dit Field, c'est une recette pour les meilleurs soins: les traitements d'anticorps plus efficaces ou qui ont moins d'effets secondaires que ceux existants conçus par les humains. «Vous trouvez des molécules que vous n'auriez jamais trouvées en utilisant des méthodes conventionnelles», dit-il. «Ils sont très distincts et souvent contre-intuitifs pour les conceptions que vous en tant qu'humain, ce qui devrait nous permettre de trouver des molécules avec de meilleures propriétés, ce qui se traduit finalement par de meilleurs résultats pour les patients.»

Cet article apparaît dans l'édition de septembre / octobre 2023 du magazine Wired UK.