Go to main site

News

La position des atomes prédite en un temps record

©Michele Ceriotti / 2018 EPFL

©Michele Ceriotti / 2018 EPFL

Des chercheurs de l’EPFL ont mis au point une approche de machine learning qui, combinée avec des expériences réelles, peut prédire l’emplacement des atomes dans des poudres en un temps record. Leur système peut été utilisé pour analyser des molécules complexes composées de milliers d’atomes. Il pourrait intéresser les entreprises pharmaceutiques.

Comment va se comporter un médicament en poudre une fois dans notre corps ? Pour le savoir, il est essentiel de connaître sa structure précise à l’échelle atomique. La façon dont les molécules sont arrangées dans un cristal influence en effet directement ses propriétés, telles que sa solubilité. La recherche va donc bon train pour pouvoir localiser facilement la structure cristalline exacte dans les poudres microcristallines.

A l’EPFL, des chercheurs ont développé une méthode de machine learning qui prédit en un temps record la réponse des atomes face à un champ magnétique. Ce système, combiné à la spectroscopie par résonance magnétique nucléaire (RMN), permet de déterminer la position exacte des atomes dans une molécule organique complexe. De quoi intéresser les entreprises pharmaceutiques, qui doivent contrôler très précisément la structure des molécules pour des questions de sécurité des patients. La recherche a été publiée dans Nature Communications.

L’intelligence artificielle 10'000 fois plus rapide

La Résonance magnétique nucléaire (RMN) est une méthode de spectroscopie connue et puissante qui sonde les champs magnétiques entre les atomes. Elle donne des indications sur la façon dont les atomes interagissent avec leurs voisins. Cependant, afin de déterminer la structure cristalline complète, la RMN doit être couplée à des calculs complexes - basés sur la chimie quantique - qui sont extrêmement chronophages, et qui sont pratiquement impossibles à réaliser sur des molécules dont la structure est très sophistiquée.

La technique des chercheurs de l’EPFL fait sauter ces limitations. Les scientifiques ont entraîné un modèle d’intelligence artificielle à reconnaître des structures de molécules, à partir de bases de données existantes. « Même pour des molécules relativement simples, notre modèle est presque 10'000 fois plus rapide que les méthodes existantes. Et les avantages vont croissant avec l’augmentation de la complexité des molécules», explique Michele Ceriotti, directeur du Laboratoire de science computationnelle et modélisation (COSMO) à la Faculté des sciences et techniques de l’ingénieur, et co-auteur de l’étude. « Grâce à notre technique – ShiftML -, nous pouvons prédire la signature RMN d’un cristal de presque 1600 atomes en six minutes. Une performance qui aurait pris 16 ans avec les techniques conventionnelles. »

Le nouveau programme des chercheurs va permettre de tester des méthodes d’analyse différentes et plus rapides, et d'étendre les études à des molécules plus grandes. «Nous sommes très enthousiastes, car l’accélération massive du temps de computation va nous permettre de couvrir des espaces conformationnels plus larges, et de déterminer des structures qu’il n’était simplement pas possible de déterminer jusqu’ici. La plupart des molécules médicamenteuses sont désormais à notre portée», commente Lyndon Emsley, co-auteur de l’étude et directeur du Laboratoire de résonance magnétique à la Faculté des sciences de base.

Le programme est disponible en ligne, et accessible à tous. « N’importe qui peut uploader une molécule et obtenir sa structure NMR en quelque minutes », commente Michele Ceriotti.

Funding

Swiss National Science Foundatiion, NCCR Marvel, ERC grant
 

References

F.M. Paruzzo, A. Hofstetter, F. Musil, S. De, M. Ceriotti and L. Emsley, “Chemical Shifts in Molecular Solids by Machine Learning,” Nature Communications, DOI: 10.1038/s41467-018-06972-x


Author: Laure-Anne Pessina
Login