L’intelligence artificielle (IA) a connu une popularité fulgurante. Elle permet de concevoir des modèles qui nous aident à conduire des véhicules, à relire des e-mails et même à concevoir de nouvelles molécules pour des médicaments. Mais tout comme pour un humain, il est difficile de lire dans les pensées de l’IA.
L’IA explicable (XAI), un sous-ensemble de cette technologie, pourrait nous aider à y parvenir en justifiant les décisions d’un modèle. Et aujourd’hui, les chercheurs utilisent XAI non seulement pour examiner de plus près les modèles d’IA prédictive, mais aussi pour approfondir leurs connaissances dans le domaine de la chimie.
Les chercheurs présentent leurs résultats lors de la réunion d’automne de l’ Société américaine de chimie.
Les multiples applications de l’IA en font une technologie presque omniprésente dans le paysage technologique actuel. Cependant, de nombreux modèles d’IA sont des boîtes noires, ce qui signifie que l’on ne sait pas exactement quelles étapes sont suivies pour produire un résultat. Et lorsque ce résultat est quelque chose comme une molécule médicamenteuse potentielle, le fait de ne pas comprendre les étapes peut susciter le scepticisme des scientifiques et du public.
« En tant que scientifiques, nous aimons les justifications », explique Rebecca Davis, professeure de chimie à l’Université du Manitoba. « Si nous parvenons à élaborer des modèles qui nous aident à comprendre comment l’IA prend ses décisions, les scientifiques pourraient être plus à l’aise avec ces méthodologies. »
Crédit : American Chemical Society
L’une des façons de justifier cette approche est d’utiliser l’IA X. Ces algorithmes d’apprentissage automatique peuvent nous aider à voir les coulisses de la prise de décision de l’IA. Bien que l’IA X puisse être appliquée dans divers contextes, les recherches de Davis se concentrent sur son application aux modèles d’IA pour la découverte de médicaments, tels que ceux utilisés pour prédire de nouveaux candidats antibiotiques.
Étant donné que des milliers de molécules candidates peuvent être examinées et rejetées pour approuver un seul nouveau médicament (et que la résistance aux antibiotiques constitue une menace permanente pour l’efficacité des médicaments existants), des modèles de prédiction précis et efficaces sont essentiels.
« Je veux utiliser XAI pour mieux comprendre quelles informations nous avons besoin pour enseigner la chimie aux ordinateurs », explique Hunter Sturm, un étudiant diplômé en chimie du laboratoire de Davis qui présente ses travaux lors de la réunion.
Les chercheurs ont commencé leurs travaux en alimentant des bases de données de molécules médicamenteuses connues dans un modèle d’IA capable de prédire si un composé aurait un effet biologique. Ils ont ensuite utilisé un modèle XAI développé par son collaborateur Pascal Friederich à l’Institut de technologie de Karlsruhe en Allemagne pour examiner les parties spécifiques des molécules médicamenteuses qui ont conduit à la prédiction du modèle.
Cela a permis d’expliquer pourquoi une molécule particulière avait une activité ou non, selon le modèle, et cela a aidé Davis et Sturm à comprendre ce qu’un modèle d’IA pourrait considérer comme important et comment il crée des catégories une fois qu’il a examiné de nombreux composés différents.
Les chercheurs ont réalisé que l’IAX peut voir des choses que les humains auraient pu manquer ; elle peut prendre en compte beaucoup plus de variables et de points de données à la fois qu’un cerveau humain. Par exemple, lors du criblage d’un ensemble de molécules de pénicilline, l’IAX a trouvé quelque chose d’intéressant.
« De nombreux chimistes pensent que le noyau de la pénicilline est le site critique de l’activité antibiotique », explique Davis. « Mais ce n’est pas ce que l’XAI a vu. » Au lieu de cela, il a identifié les structures attachées à ce noyau comme le facteur critique de sa classification, et non le noyau lui-même.
« C’est peut-être la raison pour laquelle certains dérivés de la pénicilline avec ce noyau présentent une faible activité biologique », explique Davis.
En plus d’identifier les structures moléculaires importantes, les chercheurs espèrent utiliser l’IA X pour améliorer les modèles d’IA prédictifs. « L’IA X nous montre ce que les algorithmes informatiques définissent comme important pour l’activité des antibiotiques », explique Sturm.
« Nous pouvons ensuite utiliser ces informations pour former un modèle d’IA sur ce qu’il est censé rechercher », ajoute Davis.
L’équipe s’associera ensuite à un laboratoire de microbiologie pour synthétiser et tester certains des composés qui, selon les modèles d’IA améliorés, pourraient fonctionner comme antibiotiques. À terme, ils espèrent que l’IA X aidera les chimistes à créer de meilleurs composés antibiotiques, voire des composés entièrement différents, qui pourraient contribuer à endiguer la vague de pathogènes résistants aux antibiotiques.
« L’IA suscite beaucoup de méfiance et d’incertitude chez les gens. Mais si nous pouvons demander à l’IA d’expliquer ce qu’elle fait, il y a plus de chances que cette technologie soit acceptée », explique Davis.
Sturm ajoute qu’il pense que les applications de l’IA dans la chimie et la découverte de médicaments représentent l’avenir de ce domaine. « Quelqu’un doit poser les bases. C’est ce que j’espère faire. »
Plus d’informations :
Utiliser l’intelligence artificielle explicable pour explorer la relation entre structure et activitéACS Automne 2024.