L'IA au service de la biologie : Claude apprend à concevoir et caractériser des anticorps
Amazon a présenté début 2026, via son équipe scientifique Amazon Bio Discovery, trois articles de recherche consacrés à l'intelligence artificielle appliquée à la conception d'anticorps thérapeutiques. Deux de ces travaux ont été publiés dans des revues à comité de lecture, dont un dans la revue iScience, sous le titre "A systematic évaluation framework for universal antibody-antigen binding affinity prediction and candidate recommendation". Ce papier introduit un nouveau modèle nommé MochiBind, entraîné à partir du modèle de langage protéique ESM-2, ainsi qu'un cadre d'évaluation inédit pour mesurer la fiabilité des prédicteurs d'affinité de liaison. L'équipe a testé son approche sur le jeu de données AlphaBind, qui couvre quatre cibles antigéniques, TIGIT, PD-1, HER2 et le domaine de liaison au récepteur du SARS-CoV-1, pour un total d'environ 30 000 variants d'anticorps caractérisés expérimentalement. Plutôt que de prédire une valeur absolue d'affinité, MochiBind compare deux anticorps entre eux pour déterminer lequel se lie le plus fortement, puis agrège ces comparaisons en un classement global grâce à TrueSkill, un algorithme bayésien conçu à l'origine pour classer les joueurs de jeux vidéo. Un troisième article va plus loin en intégrant la prédiction dans un processus de conception de bout en bout, piloté par un agent, qui a permis d'identifier des anticorps candidats validés expérimentalement contre une nouvelle cible anticancéreuse.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Amazon Science. Lire l'article original →
Ces travaux s'attaquent à un problème concret de l'industrie pharmaceutique : plus de 100 anticorps monoclonaux sont déjà approuvés par la FDA, mais leur découverte reste coûteuse et lente, nécessitant typiquement six à douze mois entre l'identification d'une cible et l'obtention d'un candidat médicament exploitable. En automatisant et en fiabilisant les étapes de sélection, du site de liaison optimal jusqu'à la capacité d'un candidat à survivre à la fabrication industrielle et aux essais cliniques, ces méthodes promettent de réduire les coûts et les délais de développement. Elles pourraient ainsi élargir l'accès à des traitements innovants, notamment en oncologie, et accélérer la réponse à de nouvelles menaces sanitaires.
Le principal obstacle identifié par les chercheurs d'Amazon est que les modèles prédictifs actuels fonctionnent bien sur des cibles déjà connues des données d'entraînement, mais se dégradent nettement face à des antigènes inédits, un écart difficile à détecter avec les benchmarks existants. En passant en revue sept études antérieures, l'équipe a constaté qu'aucune ne réunissait les conditions nécessaires pour entraîner un prédicteur véritablement universel. Amazon Bio Discovery, la plateforme qui combine ces modèles d'IA à des services de laboratoire intégrés, vise précisément à combler cet écart entre performance en conditions contrôlées et utilité réelle pour les chercheurs en biopharmacie.
Pas d'impact direct sur la France/UE