Un algorithme exa-informatique à la recherche de molécules

Mila > IA pour l’humanité > Un algorithme exa-informatique à la recherche de molécules

À propos de LambdaZero

La mise au point de nouveaux médicaments est un processus de longue haleine qui coûte en moyenne 2,6 milliards de dollars par médicament homologué. Si le coût est aussi élevé, c’est parce que la découverte d’une minuscule molécule capable de se lier à une certaine cible est un processus hasardeux qui, dans bien des cas, prend une dizaine d’années avant d’aboutir. Et même advenant la découverte d’une molécule, il y a des risques que celle-ci ne fasse pas très bien son travail et qu’elle se révèle inefficace lors des étapes ultérieures des essais. On doit alors s’empresser de trouver une meilleure candidate au plus vite.

Qu’est-ce qui est unique à propos de LambdaZero?

Continuer de sauver des MILLIONS DE VIES

Jouer un rôle crucial dans la RECHERCHE DE MÉDICAMENTS

Faire des DÉCOUVERTES INTÉRESSANTES EN BIOLOGIE

Collaborer avec les plus grands experts EN IA ET EN APPRENTISSAGE AUTOMATIQUE

Avoir la chance de lancer votre STARTUP et faire évoluer votre idée

 

Faites partie de l’équipe

Participez au développement de LambdaZero! Plusieurs postes sont à combler dans l’équipe.

Voir les offres d'empoi

Quel problème LambdaZero souhaite-t-il régler?

 

Il y a autant de molécules susceptibles d’avoir des propriétés pharmacologiques qu’il y a d’atomes dans l’univers.

Tous les remèdes découverts dans l’histoire de l’humanité sont le fruit de l’échantillonnage d’une infime fraction de cette multitude. Le reste recèle probablement des solutions thérapeutiques auxquelles nous aurions accès si nous savions mieux explorer l’éventail des possibilités.

C’est pourquoi nous cherchons à mettre au point une technique de recherche pouvant atteindre l’échelle exa, soit 10^18 molécules. Une recherche de cette ampleur prendrait 1 000 milliards d’années de processeur avec les méthodes existantes fondées sur les lois de la physique.

Les molécules s’apparentent à un ensemble de blocs de construction (pensez aux briques LEGO) pouvant être assemblés de mille et une façons. La recherche dans le monde moléculaire équivaut à trouver les innombrables combinaisons possibles de ces blocs.

Or, tout comme AlphaZero utilise la recherche arborescente Monte-Carlo (MCTS) pour maîtriser le jeu de Go, notre algorithme LambdaZero fait appel à la MCTS pour explorer le monde moléculaire.

LambdaZero’s Performance

Le récepteur de la dopamine D4 est une importante protéine du cerveau humain. Sonder le vaste domaine des molécules* permet de trouver des molécules dotées d’une énergie de liaison plus négative. Et qui dit énergie de liaison plus négative dit association plus efficace entre la minuscule molécule et la protéine, et donc meilleure liaison et meilleures propriétés pharmacologiques.

*Ultra-large Scale Docking for Discovering New Chemotypes, Wu at al. Nature, 2019. 

Best molecule – 200M simulations

Binding Energy: -75.6

Best molecule – LambdaZero

 Binding Energy: -85.1

Appliquée au récepteur de la dopamine D4, une importante protéine du cerveau humain, LambdaZero permettrait de découvrir une molécule plus efficace que ne l’a fait l’une des plus vastes simulations moléculaires fondées sur les lois de la physique* jamais réalisées. 

*Ultra-large Scale Docking for Discovering New Chemotypes, Wu at al. Nature, 2019. 

Notre Équipe

Maksym Korablyov

EngineerZero

Prateek Gupta

Mathematician

John Bradshaw

Software Engineer

Joanna Chen

Machine Learning Engineer

Bianca Dumitrascu

Machine Learning Engineer

Simon Verret

Machine Learning Engineer

Shenghao Liu

Software Engineer

Cheng-Hao Liu

Machine Learning Engineer

Bruno Rousseau

Machine Learning Engineer

Kostiantyn Lapchevskyi

Software Engineer

Jarrid Rector-Brooks

Machine Learning Engineer

Aga Slowik

Reinforcement Learning Engineer

Emmanuel Bengio

Reinforcement Learning Engineer 

Scott Fujimoto

Reinforcement Learning Engineer

Pierre Thodoroff

Reinforcement Learning Engineer

Clement Gehring

Reinforcement Learning Engineer

Shivam Patel

RL Engineer

Sacha Leprêtre

HPC Specialist

Frederic Osterrath

Software Engineer

Arnaud Bergeron

Software Engineer

Mike Tyers

Biomedical Assays

Doris Schuetz

Computational Chemist 

Wassim Aouad

Business Development Manager

Lan Dao

Feedback & Culture

Sasha Luccioni

Project Manager

Matt Kusner

Molecule Learning  Advisor

Marvin Segler

Molecule Learning Advisor

Brooks Paige

Molecule Learning Advisor

Will Hamilton

Graph Learning Advisor

Jian Tang

Graph DL Advisor

Michael Bronstein

Representation Learning Advisor

Doina Precup

RL Advisor

Charlie Roberts

Clinical Trials Advisor

Yoshua Bengio

Director, Advisor

array(1) { ["wp-wpml_current_language"]=> string(2) "fr" }