Des anticorps conçus avec moins d'essais : Locus automatise la recherche moléculaire

Locus, développé par Intology, automatise la recherche de molécules et l'adaptation de modèles biologiques, avec des résultats prometteurs encore à confirmer en laboratoire.

Identifier une molécule prometteuse exige souvent de multiplier les expériences, sans certitude que les résultats obtenus sur un petit nombre de composés se reproduiront sur d'autres. Les modèles d'intelligence artificielle spécialisés peuvent réduire cette exploration, mais leur adaptation à des données expérimentales limitées reste difficile. Une nouvelle série de travaux menée par Intology montre qu'un système de recherche autonome peut améliorer les performances de ces modèles en choisissant lui-même les expériences à conduire et les méthodes à tester.

Ce système, baptisé Locus, intervient dans trois domaines de la découverte moléculaire : la prédiction des propriétés chimiques, l'estimation de la puissance d'action de petites molécules et la conception d'anticorps. Plutôt que d'appliquer une procédure prédéfinie, il formule plusieurs hypothèses, réalise des expériences informatiques en parallèle et adapte ses recherches aux résultats obtenus. Les travaux publiés par Intology font état de performances supérieures à celles de plusieurs méthodes spécialisées et d'agents fondés sur Claude Code ou Codex, dans les configurations évaluées. Près d'un million de molécules simulées pour compenser le manque de données

La première expérience concerne une tâche commerciale de prédiction de propriétés moléculaires dont les données restent confidentielles. Dans ce type de problème, certaines propriétés peuvent nécessiter plusieurs heures de simulation sur processeur pour une seule molécule. L'enjeu consiste à développer un modèle capable de fournir des estimations suffisamment précises tout en réduisant le temps nécessaire à chaque prédiction.

Les chercheurs disposent initialement d'un petit ensemble de molécules annotées et d'un jeu de validation. Aucun modèle spécialisé ne leur est fourni au départ. Confrontés aux mêmes contraintes, Claude Code, utilisant Opus 5.5 Max, et Codex, utilisant GPT-6 Astra High, obtiennent des modèles dont la généralisation reste limitée selon les tests publiés.

La stratégie suivie par Locus consiste à produire progressivement de nouvelles données d'entraînement à partir de simulations. Le système constitue ainsi un ensemble approchant le million de molécules annotées, alors que Claude Code génère environ 100 000 exemples et que Codex n'exploite pas cette possibilité dans l'expérience rapportée.

Cette augmentation des données s'accompagne d'une exploration de différentes tailles de modèles, jusqu'à plusieurs milliards de paramètres. Les résultats présentés indiquent une erreur de prédiction inférieure à celle des solutions concurrentes sur un jeu de test conservé à l'écart de l'entraînement. Le modèle final atteint également le seuil de performance fixé pour cette tâche.

Les chiffres absolus ne sont toutefois pas publiés, en raison du caractère propriétaire des données. Les comparaisons reposent sur des mesures relatives, ce qui limite l'évaluation indépendante de l'ampleur des progrès annoncés. Adapter Boltz-2 à des molécules qu'il connaît mal

La deuxième série d'expériences porte sur la prédiction de la puissance d'action des petites molécules, une information importante dans les premières phases de recherche pharmaceutique. Les chercheurs s'intéressent plus précisément à l'IC₅₀, une mesure de la concentration nécessaire pour inhiber de moitié une activité biologique donnée.

Un modèle généraliste comme Boltz-2 peut estimer certaines propriétés des interactions entre protéines et molécules. Ses résultats se dégradent cependant lorsque les composés étudiés ou les cibles biologiques diffèrent fortement des exemples rencontrés pendant l'entraînement. Avec peu de mesures expérimentales disponibles, un ajustement direct risque aussi de produire un modèle trop adapté aux données initiales.

L'expérience porte sur six cibles biologiques issues de ChEMBL, une base de données consacrée aux molécules bioactives. Pour chacune, les chercheurs disposent d'au moins 120 ligands associés à des mesures expérimentales d'IC₅₀. Les données sont réparties entre entraînement, validation et test, les composés réservés à l'évaluation finale restant inaccessibles aux systèmes pendant leurs recherches.

Avec un budget de 12 heures GPU H100 par exécution, Locus atteint une corrélation moyenne de Spearman de 0,622 entre les prédictions et les mesures expérimentales. Codex obtient 0,569, Claude Code 0,450 et l'API Boltz-2.1 0,225. Cet indicateur mesure principalement la capacité à classer correctement les molécules selon leur puissance d'action, et non l'exactitude absolue de chaque valeur prédite.

Les résultats montrent également un écart plus faible entre les performances de validation et celles du jeu de test pour Locus. Le système explore davantage de stratégies d'adaptation, depuis l'ajustement de certaines parties de Boltz-2 jusqu'à l'association de ses prédictions avec des caractéristiques chimiques complémentaires. Cette diversité expérimentale semble contribuer à limiter le surapprentissage observé avec des données restreintes. Concevoir des anticorps avec moins de candidats

La troisième partie de l'étude déplace le problème de la prédiction vers la conception de nouvelles molécules. Dans la recherche d'anticorps, une approche courante consiste à générer un grand nombre de candidats, à estimer leur capacité de liaison à une cible biologique, puis à appliquer plusieurs filtres pour sélectionner les plus prometteurs. Cette procédure peut mobiliser d'importantes ressources informatiques sans garantir que les meilleurs candidats seront conservés.

Les chercheurs ont demandé à Locus de construire ses propres procédures de conception en utilisant des modèles existants, notamment BoltzGen et Boltz-2, puis ESMC et ESMFold2. Il pouvait modifier les étapes de génération, les critères de sélection et les méthodes de classement, sans avoir à réentraîner systématiquement les modèles sous-jacents.

Dans les expériences associant BoltzGen et Boltz-2, dix cibles biologiques sont réservées à l'évaluation finale. Les