Les données privées dopent OpenFold3 à 52.1%

Cinq laboratoires ont entraîné un modèle d’IA sur leurs données moléculaires sans se les communiquer. Le taux de prédictions jugées fiables atteint 52,1 %, mais l’absence de publication et de données accessibles empêche toute vérification indépendante.

Les modèles d’intelligence artificielle progressent grâce aux exemples qui leur sont fournis. Ce principe vaut aussi bien pour la reconnaissance faciale ou la traduction que pour la prédiction des interactions entre une molécule thérapeutique et une protéine. Or, en matière de conception de médicaments, une partie des données les plus précieuses reste enfermée dans les bases des groupes pharmaceutiques, hors de portée des systèmes publics.

Un consortium réunissant AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson et Takeda affirme avoir trouvé le moyen de les exploiter collectivement sans que ses membres aient à dévoiler leurs fichiers. Sur le banc d’essai conçu par le consortium, le modèle ainsi entraîné surpasse nettement sa version initiale, nourrie de données publiques. Mais ni le modèle, ni les données de test, ni un article évalué par les pairs n’ont été publiés, ce qui impose de considérer ces résultats comme une démonstration industrielle encore invérifiable (Nature).

Entraîner un modèle sans regrouper les données

Le consortium est parti d’OpenFold3 Preview 2, un système open source qui prédit l’agencement tridimensionnel des protéines et de petites molécules comparables à celles utilisées dans les médicaments. Il cherche donc à déterminer à la fois la forme de la « serrure » biologique et la manière dont une « clé » moléculaire peut s’y insérer (OpenFold3 repository).

Plutôt que de réunir les structures détenues par les cinq entreprises dans une base commune, chaque laboratoire a entraîné localement une copie du modèle sur ses propres données. Seuls les ajustements numériques appris au cours de cet entraînement ont été transmis à un coordinateur central, sans transfert des dossiers moléculaires eux-mêmes. La société berlinoise Apheris a piloté l’opération à l’aide du cadre ouvert d’apprentissage fédéré de NVIDIA, tandis que le laboratoire de Mohammed AlQuraishi à Columbia University apportait son expertise sur le modèle. Le consortium indique avoir mobilisé 40 processeurs graphiques NVIDIA H100 répartis entre cinq environnements informatiques d’entreprise distincts (Apheris, Nature).

Les structures brutes sont ainsi restées derrière les pare-feu des entreprises. Le consortium n’a toutefois fourni aucune preuve formelle que les ajustements partagés ne permettraient pas de déduire certaines informations sur les données d’entraînement, un risque théorique bien connu de l’apprentissage fédéré.

Ce que les structures privées ont apporté

Le modèle a été entraîné sur 20 167 structures propriétaires de complexes protéine-médicament, puis évalué sur un ensemble privé distinct de 1 056 structures (Apheris). Le principal indicateur mesure la fréquence à laquelle l’agencement prédit entre le médicament et la protéine correspond étroitement à celui observé expérimentalement. Le modèle fédéré obtient un résultat jugé de haute qualité dans 52,1 % des cas, contre 35,6 % pour OpenFold3 dans sa version initiale et 40,9 % pour Boltz-2, un autre modèle ouvert de premier plan (Apheris, Nature).

Un modèle témoin, entraîné uniquement sur des données publiques actualisées, n’a pas obtenu un gain comparable. Le consortium en conclut que les structures privées contiennent des informations utiles à la prédiction qui ne figurent pas dans les bases accessibles à tous (Apheris).

L’écart tientrait à la nature des données. La base publique Protein Data Bank est très vaste, mais son contenu dépend des protéines que les laboratoires universitaires ont choisi d’étudier. Les collections pharmaceutiques rassemblent plus souvent des séries méthodiques associant une même cible à de nombreux candidats-médicaments apparentés : elles enregistrent ainsi les faibles variations de liaison qui peuvent orienter la conception d’une molécule (Nature, C&EN). Selon le consortium, le modèle fédéré surpasse aussi chacun des modèles entraînés par une seule entreprise, ce qui tend à confirmer l’intérêt de croiser les données des différents laboratoires.

Ce qui échappe encore à toute vérification extérieure

Aucun article scientifique n’a été soumis. Les paramètres appris par le modèle, les structures utilisées pour l’évaluation et les prédictions individuelles restent inaccessibles aux chercheurs extérieurs. Le consortium n’a publié ni intervalle de confiance ni test statistique, tandis que les organisations ayant conçu le système ont elles-mêmes construit le banc d’essai et évalué ses résultats (Nature).

Cette réserve est d’autant plus nécessaire qu’un modèle peut produire une structure apparemment proche de la référence tout en commettant des erreurs physiques majeures. Les travaux du groupe PoseBusters ont montré que d’autres systèmes d’IA pouvaient, par exemple, placer des atomes selon des angles de liaison impossibles dans une molécule réelle (PoseBusters). Faute de données accessibles, on ignore si les prédictions d’AISB résisteraient à ces contrôles.

Le banc d’essai mesure uniquement la capacité du modèle à reconstruire des agencements déjà observés expérimentalement. Il ne permet pas de savoir si ses prédictions facilitent la découverte de composés capables de se lier effectivement à leur cible dans un organisme vivant, ni si ces composés seraient sûrs. Une pose correctement prédite peut aider un chimiste à sélectionner les molécules à examiner, mais le consortium ne fait état d’aucun résultat obtenu dans les étapes ultérieures de conception d’un médicament.

Le projet MELLODDY, qui réunissait dix entreprises, avait déjà montré que l’apprentissage fédéré pouvait améliorer la prédiction des propriétés moléculaires entre concurrents pharmaceutiques (MELLODDY). AISB transpose désormais cette méthode à la prédiction des structures tridimensionnelles. Pour établir la portée réelle de l’avancée, le consortium devra publier un article scientifique et rendre accessibles suffisamment d’éléments pour que des équipes indépendantes puissent vérifier si les gains annoncés subsistent hors d’une évaluation qu’il contrôle lui-même.