La start-up française Whitelab Genomics, spécialisée dans l’IA appliquée à la recherche et au développement en médecine génomique, annonce sa collaboration avec le laboratoire de chimie médicinale dirigé par le professeur Pierre-Luc Boudreault à l’Institut de Pharmacologie de Sherbrooke (IPS), au Québec. L’objectif de leur partenariat est de développer des peptides visant de nouvelles cibles pharmacologiques et d’optimiser des vecteurs viraux en thérapies géniques, ouvrant ainsi la voie à une nouvelle ère de médecine de précision.

Créée en 2019 par David Del Bourgo, Julien Cottineau et Lucia Cinque, WhiteLab Genomics, soutenue par Y-Combinator, a fait partie de la première promotion de Future4Care, l’accélérateur dédié à la santé numérique, créé en 2021 par Capgemini, Orange, Sanofi et Generali.

La start-up, lauréate du programme French Tech Health20 et plus récemment de French Tech 2030, conjugue science des données et biologie pour accélérer le développement des thérapies géniques. Grâce à sa technologie exclusive, l’entreprise optimise la conception de vecteurs viraux et minimise les risques associés à la mise au point de nouveaux traitements. Elle accompagne ses clients et partenaires (pharma, biotech et laboratoires académiques) dans les phases de recherche et le développement in-silico, leur permettant de gagner un temps précieux pour proposer aux patients de nouvelles thérapies.

Après une levée de fonds de 10 millions d’euros réalisée auprès d’OMNES Capital et Debiopharm en 2022, la start-up s’est installée à Boston et Montréal.

Le partenariat avec IPS

Depuis deux mois, ce partenariat combine IA, modélisation moléculaire et chimie médicinale pour mieux cibler et traiter les cellules défectueuses impliquées dans des pathologies complexes du système nerveux central et d’autres maladies dégénératives, notamment la maladie de Parkinson et la sclérose latérale amyotrophique (SLA).

David Del Bourgo, co-fondateur et CEO de WhiteLab Genomics, commente :

“Ceci est une très bonne opportunité pour mettre en avant le potentiel de notre plateforme d’IA en collaboration avec des riches bases de données et l’expertise fournie par le laboratoire de médecine chimique du professeur Boudreault. Notre récent investissement au Canada, comprenant l’ouverture de notre deuxième entité nord-américaine l’année dernière à Montréal et des collaborations de recherche avec plusieurs laboratoires au Québec, s’aligne avec notre vision internationale d’accélération et d’optimisation de la découverte de médicaments génomiques.”

Une collaboration prometteuse

Le Pr Boudreault, en collaboration avec les laboratoires des Prs Michel Grandbois et Philippe Sarret, teste actuellement les peptides développés par Whitelab. Ces peptides servent d’ancrage aux vecteurs, optimisant leur fixation sur les cibles cellulaires à traiter et maximisant ainsi leur efficacité.

Les données expérimentales recueillies alimentent en continu la plateforme d’IA de WhiteLab Genomics. Ce processus itératif contribue à affiner les prédictions et à optimiser la conception des peptides.

Le Pr Pierre-Luc Boudreault conclut :

“En combinant notre expertise en chimie médicinale avec la plateforme d’IA de pointe de WhiteLab Genomics, nous repoussons les limites de ce qui est possible en matière de développement de médicaments. Cette collaboration illustre le pouvoir des partenariats interdisciplinaires pour générer des avancées significatives dans le domaine de la santé.” 

Together AI, une startup de recherche en IA basée à San Francisco qui s’est donnée pour mission de faire avancer les frontières de l’IA open source, a récemment publié EVO, un modèle de fondation génomique qui permet des tâches de prédiction et de génération de l’échelle moléculaire à l’échelle du génome, développé en collaboration avec Arc Institute, une organisation de recherche à but non lucratif basée à Palo Alto, près de San Francisco.

Le génome est une séquence qui code complètement l’ADN, l’ARN et les protéines qui orchestrent le fonctionnement d’un organisme. La modélisation des génomes entiers se heurte à deux défis majeurs: les séquences d’ADN sont extrêmement longues (jusqu’à des milliards de nucléotides) et la sensibilité requise pour comprendre pleinement les effets de l’évolution (qui se produit un nucléotide à la fois). En conséquence, les avancées existantes dans la modélisation de séquences biologiques avec l’IA se sont plutôt concentrées sur des capacités spécifiques à une tâche ou à modalité unique.

Les chercheurs de Together AI et de l’Arc Institute ont cherché à surmonter ces difficultés inhérentes à la modélisation de génomes entiers pour développer un modèle qui puisse comprendre non seulement les composants individuels de l’ADN, de l’ARN et des protéines, mais aussi comment ils interagissent pour créer des systèmes complexes.

Plutôt que l’architecture Transformer habituellement utilisée, ils ont opté pour l’architecture hybride StripedHyena, une architecture de traitement du signal en profondeur récemment introduite par Together Research, combinant l’attention rotative et les opérateurs d’hyène pour traiter et rappeler efficacement des modèles dans de longues séquences. Grâce à ses capacités de long contexte et son mode d’inférence efficace, elle leur a permis de générer des séquences allant jusqu’à 650k sur un seul GPU.

Architecture d’EVO

Les performances du modèle EVO 1

Le modèle EVO 1, qui compte 7 milliards de paramètres, a été entraîné sur OpenGenome, un ensemble de données procaryotes sur le génome entier contenant environ 300 milliards de jetons. Il peut non seulement générer à l’échelle de plusieurs molécules (protéines et ARNnc), mais il a également le potentiel de générer des séquences à l’échelle des génomes entiers :

• Prédiction zéro-shot : Evo peut prédire la fonction biologique à l’échelle du génome entier, surpassant même les expériences d’essentialité génétique en laboratoire en un fraction du temps requis ;
• Prédiction multimodale : Evo peut prédire la fonction des protéines, de l’ARN non codant et de l’ADN régulateur, couvrant ainsi toutes les modalités biologiques essentielles ;
• Génération génétique : Evo peut générer de nouveaux systèmes CRISPR, des systèmes d’édition génétique composé d’un ARN guide et d’une protéine Cas, utilisés pour cibler et modifier spécifiquement des séquences d’ADN dans le génome. Il ouvre ainsi la voie à la création de diversité biologique à partir de modèles génératifs.
• Conception générative : Evo peut non seulement générer des séquences à l’échelle moléculaire, mais également à l’échelle du génome entier, offrant des capacités de conception sans précédent.

Evo effectue une prédiction de fonction zéro-shot pour les protéines, les ARN non codants et l’ADN régulateur

Perspectives

Evo est le premier du genre à prédire et générer des séquences d’ADN à l’échelle du génome entier avec une résolution mononucléotidique, marquant un tournant dans la modélisation de séquences biologiques. Selon les chercheurs, il a le potentiel d’accélérer la découverte et la compréhension dans les sciences (biologie, chimie, science des matériaux…), ainsi que d’être appliqué à des problèmes concrets comme la découverte de médicaments, l’agriculture et la durabilité.

Ils soulignent l’importance de garantir un déploiement sécurisé de modèles ADN à grande échelle comme Evo, et ce, dans l’intérêt de l’humanité. Dans leur article, ils proposent une discussion approfondie sur les risques potentiels et les mesures de précaution à prendre.

Le modèle est disponible sur HuggingFace, GitHub, via l’API Together et<Playground.

Références : Blog Together AI

Article :  “Sequence modeling and design from molecular to genome scale with Evo”en prépublication sur BiorXiv, https://doi.org/10.1101/2024.02.27.582234

Auteurs et affiliations :

• Eric Nguyen ( Stanford University, Arc Institute)
• Michael Poli ( TogetherAI)
• Matthew G. Durrant ( Stanford University)
• Armin W. Thomas ( Stanford University)
• Brian Kang (Stanford University)
• Jeremy Sullivan (Arc Institute)
• Madelena Y. Ng (Stanford University)
• Ashley Lewis Stanford University)
• Aman Patel ( Stanford University)
• Aaron Lou (Stanford University)
• Stefano Ermon (Stanford University, CZ Biohub)
• Stephen A. Baccus ( Stanford University)
• Tina Hernandez-Boussard (Stanford University)
• Christopher Ré ( Stanford University)
• Patrick D. Hsu ( Stanford University, University of California, Berkeley)
• Brian L. Hie (Stanford University, Arc Institute)