L’IA ouvre une nouvelle ère dans la lutte contre les micro-organismes résistants
INTELLIGENCE ARTIFICIELLE L’intelligence artificielle (IA) s’impose progressivement dans la médecine moderne. Parmi ses applications encore peu connues, mais particulièrement prometteuses, figure la lutte contre la résistance croissante des micro-organismes aux agents antimicrobiens.
La résistance aux antimicrobiens (RAM) est un problème qui figure depuis longtemps à l’agenda médical mais qui, malgré les tentatives pour l’endiguer, continue d’augmenter. L’IA peut-elle inverser la tendance ?
Nécessité d’une nouvelle approche
On estime qu’à ce jour, environ 700.000 personnes meurent chaque année dans le monde des suites d’infections causées par des micro-organismes résistants.
Si la tendance actuelle se poursuit, ce chiffre pourrait atteindre dix millions de décès par an d’ici 2050. Cette évolution constitue une menace majeure pour la santé publique mondiale, la stabilité de l’économie mondiale et la capacité des systèmes de santé à proposer des traitements efficaces à l’avenir. Face à cette pandémie de résistance antimicrobienne, une nouvelle approche intégrant l’IA s’impose [1].
Soutenir les systèmes de santé
Tout d’abord, le rôle de l’IA repose sur l’une de ses caractéristiques majeures : sa capacité à traiter et analyser des données à grande échelle, permettant d’obtenir une vision précise de la situation des systèmes de santé, de l’épidémiologie et des caractéristiques des agents pathogènes. L’application de l’IA à l’échelle nationale ou régionale offre une meilleure vision de l’utilisation des antibiotiques, des résultats obtenus chez les patients et des mécanismes de résistance.
Identification de molécules antimicrobiennes plus puissantes
Les systèmes basés sur l’IA peuvent jouer un rôle crucial dans la sélection et l’identification de nouveaux antibiotiques ou de peptides antimicrobiens (AMP). Les AMP présentent des avantages par rapport aux antibiotiques classiques dans la lutte contre les infections bactériennes résistantes et peuvent être synthétisés par des voies ribosomales, sans modifications complexes après la synthèse. Grâce aux modèles d’IA, le processus de développement est raccourci et la précision de l’identification des molécules prometteuses est améliorée.
L’un des premiers succès a été l’halicine, découverte en 2020 à l’aide d’un modèle de deep learning ayant prédit que cette molécule, initialement développée pour le diabète, possédait un puissant effet antibiotique. Des expériences ont montré son activité contre un large éventail de pathogènes, dont Acinetobacter baumannii multirésistant et Clostridium difficile. À la même période, l’abaucine a été identifiée grâce à l’IA, une molécule très sélective ciblant A. baumannii. L’IA permet ainsi de développer non seulement des antibiotiques à large spectre, mais aussi des antibiotiques de précision [1].
Grâce à l’utilisation de CLaSS (Conditional Latent [attribute] Space Sampling), il est possible d’identifier des antibiotiques de manière rapide et efficace. CLaSS est une technique de machine learning (apprentissage automatique) qui consiste à naviguer dans un « espace latent » afin de générer, modifier ou tester des données (images, molécules, textes) répondant à des caractéristiques spécifiques prédéfinies par l’utilisateur. Ce système a ainsi permis d’identifier, de synthétiser et de tester en un temps réduit des AMP particulièrement puissants contre divers pathogènes à Gram positif et à Gram négatif, sans augmentation du risque de développement de résistances [2].
Le projet AMPSphere
Depuis lors, les modèles d’IA ont été appliqués à une échelle encore plus large. AMPSphere est une base de données de grande envergure consacrée aux AMP. Dans leur environnement naturel, les bactéries produisent des AMP pour lutter contre leurs concurrents et préserver leur niche écologique, faisant des microbiomes environnementaux (par exemple les biofilms marins) d’importants réservoirs d’AMP. Grâce à l’analyse systématique de 63.410 ensembles de données métagénomiques et de 87.920 séquences de génomes microbiens issues de colonies réparties à l’échelle mondiale, la base de données unique AMPSphere a été constituée [3].
La base de données est utilisée pour identifier de nouvelles substances antimicrobiennes. Début 2026, elle contenait plus d’un million d’AMP candidats, dont un nombre significatif a montré une forte activité, tant in vitro que dans des modèles animaux, contre des pathogènes résistants. Dans ce prolongement, 12 millions de molécules ont été testées à l’aide du machine learning contre Staphylococcus aureus résistant à la méticilline (MRSA). Certaines ont été retenues pour leur capacité à réduire la charge bactérienne chez la souris, au niveau cutané et systémique, d’un facteur 10 [3].
« Face à cette pandémie de résistance antimicrobienne, une nouvelle approche intégrant l’intelligence artificielle s’impose. »
Utilisation de l’IA dans les tests de sensibilité et le diagnostic
Les outils d’IA permettent de détecter rapidement et avec précision les bactéries résistantes, aidant ainsi les cliniciens à choisir le traitement le plus efficace. Pour l’identification rapide des pathogènes à partir d’échantillons cliniques, le machine learning est combiné au séquençage génétique.
L’utilisation d’algorithmes de machine learning permet d’analyser les profils de résistance aux antibiotiques observés dans le passé afin de prédire quelles infections sont susceptibles de bien répondre à certains traitements. Cette capacité prédictive permet la mise en œuvre de traitements plus ciblés et personnalisés, réduisant potentiellement le recours aux antibiotiques à large spectre et ralentissant ainsi l’émergence de résistances [1].
Défis et limites
L’IA a le potentiel de produire des avancées majeures dans la lutte contre la RAM, mais son application dans le domaine de la santé se heurte à plusieurs obstacles. Les défis sont d’une part d’ordre technique (notamment l’intégration de l’IA dans les dossiers médicaux électroniques existants), mais nécessitent également une adaptation de la part des cliniciens, afin de comprendre et surtout de faire confiance aux processus décisionnels des systèmes d’IA.
Par ailleurs, la qualité des données n’est pas toujours optimale et les questions de confidentialité, notamment liées au Règlement général sur la protection des données (RGPD), peuvent compliquer l’intégration des données de patients dans les modèles d’IA. Les sources de données sont également souvent hétérogènes, et certaines populations ou situations restent sous-représentées, ce qui peut conduire à des modèles reposant sur une vision incomplète ou biaisée [1,2].
L’IA offre néanmoins des possibilités considérables pour améliorer la prise en charge de la RAM. Le monde médical peut ainsi contribuer à apporter des solutions à l’un des défis sanitaires les plus urgents de notre époque, à condition que les obstacles actuels soient activement pris en compte.
Références
1. Zubair A, Fazil M, et al. The Role of Machine Learning in Addressing Antibiotic Resistance: A New Era in Infectious Disease Control. Microbiologyopen. 2025 Dec;14(6):e70160. doi: 10.1002/mbo3.70160
2. Tran MH, Nguyen NQ, Pham HT. A New Hope in the Fight Against Antimicrobial Resistance with Artificial Intelligence. Infect Drug Resist. 2022 May 26;15:2685-2688. doi: 10.2147/IDR.S362356
3. Fan S, Lu J, et al. Unlocking the unexplored AMPSphere in rare marine species. Microbiome. 2026 Feb 23;14(1):100. doi: 10.1186/s40168-025-02326-0