Maladies infectieuses : l’intelligence artificielle pour découvrir de nouveaux antibiotiques

Après mes études au lycée français de Lisbonne et un master en chimie à l’Université NOVA de Lisbonne, j’ai eu l’opportunité en 1995 de faire mon doctorat en microbiologie à l’Université Rockefeller, à New York. J’ai commencé là à travailler sur la résistance aux antibiotiques, un sujet que je poursuis depuis lors.

C’est en 2000 que j’ai commencé mes travaux sur la bactérie Helicobacter pylori (à l’origine des ulcères de l’estomac) avec mon postdoctorat à l’Institut Pasteur, à Paris, dans l'Unité de Pathogénie Bactérienne des Muqueuse dirigée par Agnès Labigne, grande spécialiste de ce pathogène et des mécanismes de virulence et de résistance bactériennes. Mes recherches sur la paroi bactérienne apportaient un autre aspect aux travaux de l’équipe.

J’ai obtenu mon poste de chercheur en 2004 à l’Inserm, puis directeur de recherche en 2010. En 2013, mon groupe est devenu une équipe de l’Institut Pasteur et depuis 2022 je dirige une unité regroupant trois équipes qui étudient les bactéries intestinales.

Mon équipe étudie la paroi qui entoure les bactéries avec l’objectif de développer de nouvelles stratégies antibiotiques. Le point de départ de ce projet récent reposait sur le postulat suivant : l'effet d'une drogue sur une bactérie induit un phénotype ¹ particulier dû à son mode d’action. L’idée était de développer un algorithme d’intelligence artificielle (IA) capable d’analyser les images en microscopie de bactéries pour identifier de nouveaux antibiotiques. Utiliser l’IA permet d’analyser des images sans a priori, en s’affranchissant de biais que l’humain pourrait introduire (des critères de forme, de taille, etc.).

Phénotypes (aspect extérieur vu en microscopie) de la bactérie E. coli traitée par différents antibiotiques. Extrait de Krentzel, D., Kho, K., Petit, J. et al. Deep learning recognises antibiotic modes of action from brightfield images. Nat Commun 17, 10660 (2026). Lien publication scientifique. CC BY 4.0

Nous avons entraîné l’IA développée en lui présentant les images en microscopie des bactéries Escherichia coli et Klebsiella penumoniae traitées par 22 molécules antibiotiques couvrant 8 modes d’actions différents. Puis l’IA a analysé des images des mêmes bactéries traitées par ces antibiotiques jamais vus par l’IA et a su les classer en fonction de leur mode d’action. Mieux, en entraînant l’IA en retirant certains antibiotiques des données d’apprentissage, l’IA a pu les classer soit dans un mode d’action qui lui était connu ou les classer comme un nouveau mode d’action.

Résultat de l’analyse par IA. e : prédiction des antibiotiques à partir du phénotype des bactéries. f : prédiction du mode d’action des antibiotiques. Extrait de Krentzel, D., Kho, K., Petit, J. et al. Deep learning recognises antibiotic modes of action from brightfield images. Nat Commun 17, 10660 (2026). Lien publication scientifique. CC BY 4.0

Dans le futur, nous comparerons ces images des bactéries traitées avec des antibiotiques avec celles de banques de mutants ² et testerons si l’IA est capable de classer ensemble les phénotypes des mutants avec celles antibiotiques qui ciblent les voies codées par ces mutants, ce qui permettrait de détecter de manière fiable de nouveaux modes d’action.

Cette preuve de principe de notre approche par IA a été obtenue chez la bactérie Escherichia coli (présente naturellement dans notre microbiote). Nous avons aussi montré des résultats similaires chez une autre bactérie (Klebsiella pneumoniae), ce qui suggère que cette stratégie pourrait être transposable à d'autres espèces bactériennes.

L’objectif est maintenant de le confirmer. Par ailleurs, afin d’améliorer la capacité de prédiction du modèle, nous travaillons à combiner les données d'imagerie avec des données de métabolomique3 pour avoir des informations supplémentaires sur le mode d’action des molécules testées.

Nous espérons ainsi être en mesure de proposer une approche fiable susceptible d’accélérer considérablement la recherche de composés antibiotiques innovants.