Une équipe du MIT a utilisé un algorithme d'intelligence artificielle pour mettre au point une nouvelle formulation de vaccin à ARN, qui garde stables même à haute température les nanoparticules lipidiques (LNP) enveloppant l'ARN. Selon un communiqué du MIT du 28 septembre, le vaccin dans sa nouvelle formulation peut être conservé un an à température ambiante et environ deux mois à près de 37°C (98°F). L'étude a été publiée dans Nature Biotechnology.
La plupart des vaccins à ARNm existants doivent être conservés congelés, entre -20°C et -80°C, ce qui rend le transport et le stockage dépendants de la chaîne du froid. C'est l'une des raisons directes du déploiement lent des vaccins contre la covid-19 dans les pays à faible revenu, et c'est aussi le contexte dans lequel cette recherche a obtenu un financement de la Fondation Gates.
Ce qu'a fait l'algorithme
La recherche est dirigée par Ana Jaklenec et le professeur Robert Langer, tous deux chercheurs principaux au Koch Institute for Integrative Cancer Research du MIT, avec la participation de la doctorante Jinbi Tian et du chercheur postdoctoral Khanh Tran. La partie algorithmique a été prise en charge par Mina Konaković Luković, professeure assistante au Computer Science and Artificial Intelligence Laboratory (CSAIL) du MIT.
Le processus s'est déroulé en plusieurs étapes. L'équipe a d'abord mesuré, un par un, l'effet stabilisateur sur l'ARN de près de 50 ingrédients déjà approuvés par la FDA, puis retenu les 5 plus efficaces. La difficulté résidait dans le dosage de ces 5 composants : l'espace des combinaisons possibles est trop vaste pour être testé manuellement, ce qui aurait pris des mois. L'algorithme prédisait, à partir d'un petit nombre de résultats expérimentaux déjà disponibles, le dosage le plus susceptible de fonctionner pour le lot suivant ; le laboratoire le testait puis réinjectait le résultat dans l'algorithme, qui convergeait ainsi tour après tour. L'ensemble du processus n'a pris que quelques semaines.
"The real beauty of this algorithm is that we can use it with small data sets."
Selon Jaklenec, ce qui rend vraiment cet algorithme précieux, c'est qu'il fonctionne même avec de petits jeux de données.
Luković a par ailleurs indiqué que la rapidité avec laquelle l'algorithme a convergé vers une formule stable avait surpris l'équipe elle-même.
Pourquoi les petites données comptent
Les données issues d'expériences biologiques coûtent cher : chaque cycle de test d'une formulation nécessite synthèse, conservation et analyse, ce qui prend souvent plusieurs jours, rendant difficile l'accumulation du volume de données que requiert l'apprentissage profond. La plupart des annonces sur l'IA entrant dans les laboratoires ces dernières années concernaient des domaines adossés à de grandes bases de données publiques, comme la structure des protéines ou la génération de molécules. La mise au point de formulations, où chaque laboratoire ne dispose que de très peu de données propres, se prête mieux à une optimisation à petit échantillon de type "apprentissage actif" : le modèle se contente de suggérer la prochaine expérience à mener, le jugement final reposant toujours sur des mesures réelles.
Le choix de ces 5 ingrédients, tous déjà sur la liste approuvée par la FDA, répond aussi à une considération pratique. Passer à des substances chimiques entièrement nouvelles obligerait à reprendre l'évaluation de sécurité depuis le début ; réutiliser des excipients déjà approuvés raccourcit le chemin vers les essais cliniques.
À quelle distance de la clinique
Les données d'immunogénicité disponibles pour l'instant proviennent de souris, et l'équipe indique que la réponse immunitaire est comparable à celle de la formule d'origine de Moderna. Le communiqué n'aborde ni l'efficacité chez l'humain, ni la stabilité d'un lot à l'autre en production à grande échelle, ni la question de savoir si les régulateurs accepteront un étiquetage de conservation à température ambiante, et aucune entreprise n'a encore annoncé qu'elle reprendrait le développement clinique.
Cette recherche a un point de référence concret en Chine : les vaccins à ARNm déjà commercialisés ou en développement dans le pays dépendent eux aussi de la chaîne du froid, et le coût de la distribution vers les régions de l'ouest et les zones reculées reste un problème de longue date. Si une formulation LNP stable à température ambiante se confirmait lors d'essais cliniques chez l'humain, ce sont surtout la logistique vaccinale et la vaccination de proximité qui en bénéficieraient, plus que le laboratoire lui-même. La méthode employée n'est pas particulièrement complexe, et les équipes chinoises travaillant sur les systèmes d'administration de médicaments pourraient appliquer la même approche pour tester leurs propres excipients à moindre coût.
Sources : MIT News, CocoLoop, informations tirées de l'article de Nature Biotechnology ; ont été vérifiés la température et la durée de conservation, le nombre d'ingrédients candidats, la mention des chercheurs et la source de financement.