Crise des antibiotiques : comment l’IA découvre de nouvelles armes contre les bactéries résistantes

Depuis que l’on a mis en évidence l’action de la pénicilline, l’antibiotique est souvent présenté comme une arme miracle. Mais des décennies d’utilisation - parfois sans réelle réflexion - ont un coût : de plus en plus d’agents infectieux se montrent à peine sensibles aux médicaments standards. Pour rattraper ce retard, des équipes de recherche misent désormais sur des systèmes d’AI capables d’accomplir en quelques heures ce qui demandait autrefois des années en laboratoire.

Quand les antibiotiques ne fonctionnent plus : une pandémie silencieuse

Les antibiotiques ont bouleversé la médecine moderne : sans eux, des interventions de routine, les traitements contre le cancer et même des infections banales deviendraient rapidement mortels. Or ce socle se fissure. Les bactéries s’adaptent, mutent et finissent par ne plus répondre à des molécules qui, hier encore, semblaient fiables.

Les statistiques donnent le vertige : chaque année, environ 1,1 millions de personnes meurent dans le monde d’infections pour lesquelles les antibiotiques courants ne sont plus efficaces. Des spécialistes estiment qu’à l’horizon 2050, on pourrait atteindre jusqu’à huit millions de décès par an - davantage que l’ensemble des cancers réunis.

L’Organisation mondiale de la Santé classe les résistances aux antibiotiques parmi les plus grandes menaces pour la santé du XXIᵉ siècle.

Certains pathogènes posent un problème aigu, au point de paraître déjà presque impossibles à maîtriser. Deux exemples reviennent dans la pratique de l’infectiologie :

• Neisseria gonorrhoeae : bactérie responsable de la gonorrhée (blennorragie), désormais largement résistante aux antibiotiques de première intention.
• Staphylococcus aureus : habituellement un hôte banal de la peau, mais des variants résistants (comme le MRSA) peuvent provoquer des infections graves, parfois mortelles.

Et ces deux cas ne représentent que la partie émergée de l’iceberg. Derrière eux s’allonge la liste de bactéries qui, progressivement, neutralisent notre arsenal thérapeutique. Pendant ce temps, la mise au point de nouvelles molécules ne suit pas le rythme.

Pourquoi presque aucun nouvel antibiotique n’arrive sur le marché

Entre 2017 et 2022, seuls douze nouveaux antibiotiques ont obtenu une autorisation dans le monde. Dans la quasi-totalité des cas, ils reposent sur des familles de substances déjà connues. Autrement dit : bien des bactéries disposent déjà de parades avant même que ces produits n’entrent réellement en usage hospitalier.

Concevoir un antibiotique véritablement inédit demande souvent plus de dix ans et des budgets de plusieurs milliards. Parallèlement, les médecins s’efforcent de prescrire les nouvelles molécules avec parcimonie pour retarder l’apparition de résistances. Pour les groupes pharmaceutiques, l’équation est peu attractive : investissements élevés, durée d’exploitation incertaine et contraintes strictes.

L’industrie s’est en grande partie retirée de la recherche sur les antibiotiques - précisément au moment où les besoins médicaux explosent.

Résultat : une inertie dangereuse. Alors que les bactéries évoluent presque d’heure en heure, la recherche avance laborieusement d’une étude à l’autre. C’est sur ce point qu’un levier a pris une ampleur considérable ces dernières années : l’AI.

AI en laboratoire : d’AlphaFold aux modèles d’AMR

En biomédecine, plusieurs outils d’AI sont mobilisés pour accélérer la riposte face aux agents résistants :

• AlphaFold prédit la structure tridimensionnelle des protéines - des éléments essentiels aux fonctions vitales des bactéries. Cela permet de repérer avec davantage de précision des cibles potentielles pour de nouveaux médicaments.
• Les modèles AI d’AMR (Antimicrobial Resistance) exploitent des données issues des hôpitaux et des laboratoires pour anticiper la diffusion des résistances et estimer quelles associations de médicaments ont encore des chances de fonctionner.

Ces systèmes ingèrent des quantités massives d’informations biologiques et chimiques, puis en extraient des régularités que l’œil humain manquerait. Ils peuvent, par exemple, déterminer quels traits d’une structure moléculaire sont nécessaires pour endommager efficacement des bactéries tout en restant aussi tolérables que possible pour l’être humain.

L’exemple de Boston : 45 millions de molécules passées au crible par AI

Au Massachusetts Institute of Technology, une équipe dirigée par le chercheur en biotechnologie James Collins a poussé cette logique beaucoup plus loin. Le raisonnement est simple : si les bactéries évoluent bien plus vite que nos programmes de recherche, il faut à la médecine un outil capable de suivre un tempo comparable.

Pour y parvenir, les scientifiques ont d’abord alimenté un modèle d’AI avec l’ensemble des connaissances accumulées par la pharmacologie sur les antibiotiques en près de cent ans :

• structures de substances actives déjà connues
• mécanismes d’action et cibles biologiques dans les bactéries
• effets indésirables fréquents et profils de toxicité

Le système a ainsi appris à repérer, dans l’organisation spatiale des atomes, des signatures suggérant une activité antibactérienne. Ensuite, les chercheurs ont laissé l’AI explorer virtuellement l’espace chimique, comme lors d’une prospection à grande échelle.

45 millions de structures chimiques ont été évaluées non pas dans des éprouvettes, mais sur ordinateur - en un temps réduit, au lieu de décennies.

Pour chaque variante, l’AI a estimé la probabilité d’une action contre des bactéries. En enchaînant les cycles d’analyse et en ajustant légèrement les candidats les plus prometteurs, l’équipe a généré d’immenses bibliothèques de molécules.

Deux réussites sur 36 millions - et pourquoi c’est significatif

Au terme de la procédure, 36 millions de composés nouvellement produits ont été recensés. Une partie a ensuite été réellement synthétisée et testée sur des bactéries. Deux candidats se sont distingués : ils étaient actifs contre des souches résistantes et s’attaquaient aux microbes via des mécanismes totalement différents de ceux des antibiotiques connus.

Vu de loin, obtenir deux résultats sur 36 millions d’essais peut sembler décevant. Dans le cadre réel du développement de médicaments, c’est au contraire notable : de nombreux projets classiques s’étendent sur des années et se terminent sans qu’une seule substance n’atteigne la phase d’essais cliniques.

Critère	Recherche traditionnelle	Approche assistée par AI
Nombre de molécules testées	Des dizaines de milliers	Des dizaines de millions
Délai avant les premiers candidats	De nombreuses années	Quelques heures à quelques jours pour le criblage
Mode de sélection	Expériences en laboratoire, intuition, expérience	modèles statistiques, reconnaissance de motifs

Ces deux candidats sont encore très loin d’une autorisation. Ils devront passer des tests de toxicité, réussir des essais cliniques et se mesurer à des approches concurrentes. Mais ils suggèrent que le principal obstacle n’était pas forcément une limite biologique - plutôt la manière dont la recherche était organisée jusqu’ici.

Ce que l’AI peut faire - et ce qu’elle ne peut pas faire

L’AI ne fera pas disparaître comme par magie le problème des résistances aux antibiotiques. Face à de nouveaux médicaments, les bactéries finiront aussi par réagir et s’adapter. Et le risque demeure : une utilisation irréfléchie de nouvelles molécules pourrait déclencher un nouveau turbo de résistance.

Malgré tout, l’AI modifie sensiblement la situation de départ. Trois éléments comptent particulièrement :

• Vitesse : de nouvelles idées de substances actives peuvent émerger en quelques jours plutôt qu’en années.
• Ampleur : les systèmes peuvent sonder des zones de l’espace chimique que l’on n’aurait jamais ciblées de façon intentionnelle.
• Précision : dès les premières étapes, les modèles éliminent des molécules peu prometteuses et privilégient celles ayant une forte probabilité de succès, ce qui réduit les coûts de laboratoire ultérieurs.

En parallèle, l’AI peut aussi aider les hôpitaux à mieux piloter l’usage des antibiotiques existants. Des modèles d’analyse, à partir des données patient, peuvent indiquer quelles thérapies échouent fréquemment face à certains agents et à quel moment il devient pertinent de changer de schéma de traitement.

Ce que les patientes et les patients doivent savoir dès maintenant

L’arrivée possible d’une nouvelle génération d’antibiotiques conçus avec l’aide de l’AI ne doit pas masquer l’essentiel : aujourd’hui, la meilleure protection reste un usage raisonnable des médicaments disponibles. Chaque prescription inutile augmente la pression de sélection qui pousse les bactéries à développer des résistances.

• Ne prendre des antibiotiques que s’ils sont explicitement prescrits par un médecin.
• Respecter strictement la durée du traitement, sans l’interrompre plus tôt de sa propre initiative.
• Ne pas utiliser d’anciens restes issus de prescriptions précédentes „en autonomie“.

En parallèle, les chercheurs s’emploient à rendre plus lisibles les mécanismes des résistances. Des termes comme « multirésistant » ou « antibiotique de réserve » apparaissent de plus en plus souvent dans les comptes rendus médicaux. Multirésistant signifie qu’un germe est devenu insensible à plusieurs classes courantes de substances actives. Les antibiotiques de réserve, eux, ne devraient être utilisés qu’en ultime recours, afin de préserver leur efficacité le plus longtemps possible.

Dans ce contexte, l’AI peut jouer un rôle d’appui, par exemple en interprétant plus vite les données de laboratoire et en signalant précocement si un germe appartient déjà aux profils les plus problématiques. La décision d’utiliser - ou non - une molécule de réserve peut alors reposer sur des éléments plus solides.

L’association d’une hygiène hospitalière rigoureuse, d’une politique de prescription stricte et de nouveaux outils d’AI donne à la médecine une seconde chance face aux agents résistants. Reste à savoir si elle suffira : cela ne dépend pas uniquement d’algorithmes de pointe en arrière-plan, mais aussi de la responsabilité avec laquelle la société et le système de santé utiliseront cette nouvelle génération de substances actives.