La crise de la résistance aux antimicrobiens a un goulot d’étranglement bien connu : la pipeline de découverte. Les méthodes de criblage traditionnelles sont lentes, coûteuses et ont produit peu de candidats viables pour une utilisation clinique. Une équipe de l’Université de Californie à Davis a maintenant démontré une approche d’IA générative qui pourrait accélérer considérablement le processus.
ARCADIAMP, Antimicrobial Rapid Candidate Generation through AI-driven Diffusion and Iterative Assessment of Membrane-active Peptides, combine un modèle de diffusion par débruitage discret (D3PM) avec un classifieur en deux étapes basé sur ESM2, un filtre de nouveauté et une boucle d’auto-apprentissage itérative. À partir d’un pool d’un million de candidats générés, la plateforme a filtré jusqu’à seulement 10 peptides pour la synthèse expérimentale. Huit des 10 ont montré une activité antimicrobienne avec une concentration minimale inhibitrice (CMI) de 32 µg/mL ou moins, un taux de réussite de 80 pour cent qui dépasse largement le criblage conventionnel.
Le candidat principal, désigné Peptide-7 et nommé Arcinin, est un peptide alpha-hélicoïdal de 29 acides aminés avec une séquence (GRWRRVGRKLRTLGKSFGKVAHVAGKAIFA) qui ne montre aucune similarité significative avec un peptide antimicrobien connu.
Puissant contre cinq des six pathogènes ESKAPE
L’Arcinin a été testé contre le panel ESKAPE, les six espèces bactériennes responsables de la majorité des infections nosocomiales dans le monde et connues pour leur résistance multiple aux médicaments. Les résultats :
| Pathogène | CMI (µg/mL) | Catégorie |
|———–|————-|———–|
| Klebsiella pneumoniae | 8 | Gram-négatif, ESKAPE |
| Acinetobacter baumannii | 8 | Gram-négatif, ESKAPE |
| Pseudomonas aeruginosa | 8 | Gram-négatif, ESKAPE |
| Escherichia coli | 8 | Substitut Gram-négatif pour Enterobacter |
| Staphylococcus aureus | 16 | Gram-positif, ESKAPE |
| Enterococcus faecalis | 64 | Gram-positif, ESKAPE (faible) |
À des concentrations de 8–16 µg/mL, l’Arcinin égalise la puissance de la pexiganane, un peptide antimicrobien en phase clinique, contre cinq des six espèces. Contre E. faecalis, l’activité était plus faible à 64 µg/mL.
Ce qui distingue l’Arcinin, c’est son profil de sécurité. Contre les globules rouges humains, la CL₅₀ (la concentration qui tue la moitié des cellules) était supérieure à 512 µg/mL, une marge de sécurité comparable à la pexiganane et nettement meilleure que la mélittine (venin d’abeille), dont la CL₅₀ n’est que de 5,32 µg/mL contre les cellules HEK293. La CL₅₀ HEK293 de l’Arcinin était de 50,84 µg/mL, environ dix fois moins toxique que la mélittine et comparable à celle de la pexiganane (37,75 µg/mL).
Mécanisme et résultats in vivo
L’Arcinin tue les bactéries par disruption membranaire, s’insérant dans la bicouche lipidique en moins d’une microseconde et formant des lésions discrètes qui provoquent une perte catastrophique de l’homéostasie interne. Les cinétiques de destruction montrent une éradication complète à 2× CMI en 30 à 60 minutes. La microscopie électronique révèle des effets différents selon les espèces : les cellules de S. aureus se dégonflent et présentent des septa anormaux ; les cellules d’E. coli perdent leur forme de bâtonnet et deviennent amorphes ; K. pneumoniae montre un plissement subtil de la surface.
Dans un modèle d’infection de plaie par excision chez la souris à 5 mg/kg en traitement topique, l’Arcinin a atteint une réduction de 4,56 log des UFC de S. aureus et une réduction de 4,47 log des UFC d’E. coli, toutes deux avec p < 0,0001. Cela correspond à une réduction de plus de 99,99 pour cent de la charge bactérienne. La fermeture de la plaie au jour 6 était d’environ 71 pour cent pour les plaies infectées par S. aureus (contre 45 pour cent pour le contrôle PBS, p = 0,0006) et de 66 pour cent pour les plaies infectées par E. coli (contre 34 pour cent, p = 0,0024). L’histopathologie au jour 8 a montré une ré-épithélialisation améliorée et une infiltration inflammatoire réduite.
Les tests de stabilité sérique ont montré que l’Arcinin maintenait une CMI de 32 µg/mL dans 50 pour cent de sérum bovin pour quatre espèces ESKAPE, comparable à la pexiganane.
Comment fonctionne ARCADIAMP
L’innovation principale de la plateforme est sa conception d’apprentissage itératif. Le modèle génératif, un D3PM entraîné de zéro (non pré-entraîné), a généré un pool initial de candidats, qui est passé par un classifieur en deux étapes. La première étape distingue les AMP des non-AMP (score F1 : 0,86). La deuxième étape identifie les AMP forts avec une CMI inférieure à 8 µg/mL (F1 : 0,68). Un filtre de nouveauté utilisant l’alignement BLOSUM62 a exclu les candidats ayant une similarité supérieure à 0,45 ou une identité supérieure à 0,65 avec l’un des 27 636 peptides antimicrobiens connus.
Un mécanisme de pondération des échantillons basé sur l’indice thérapeutique, log₁₀(CL₅₀) moins log₁₀(CMI), a co-optimisé l’activité et la toxicité simultanément.
La plateforme a ensuite ré-entraîné le modèle génératif sur ses propres sorties les mieux notées. Avant cette augmentation, la CMI médiane prédite était de 495,3 µg/mL. Après augmentation, elle est tombée à 37,8 µg/mL (p < 2,2 × 10⁻¹⁶). La nouveauté s’est améliorée, passant d’une similarité de 0,63 à 0,49 (p < 2,2 × 10⁻¹⁶).
Le défi de la traduction
L’article, publié dans Nature Communications le 7 juillet 2026 (DOI : 10.1038/s41467-026-75030-8), note qu’aucun nouveau peptide antimicrobien n’a été approuvé pour un usage clinique depuis l’introduction de la classe. La validation in vivo s’est limitée à un modèle topique de plaie ; les modèles d’infection systémique (septicémie) n’ont pas encore été testés. Le code ARCADIAMP est disponible sous licence Apache 2.0 sur GitHub.
Néanmoins, le taux de réussite de 80 pour cent d’une pipeline computationnelle qui co-optimise l’activité et la toxicité représente une avancée significative vers la résolution du problème de la découverte d’antimicrobiens. Pour les 4,95 millions de décès associés chaque année à la résistance aux antimicrobiens, des approches comme ARCADIAMP offrent une voie que le criblage traditionnel ne peut égaler.
Traduit par Lydie
Sources
1. Markakis, K., Kim, S., Tan, C-E. & Tagkopoulos, I., “Discovery of potent low-toxicity antimicrobial peptides through diffusion modeling”, Nature Communications (2026). DOI: 10.1038/s41467-026-75030-8
2. ARCADIAMP GitHub repository: https://github.com/IBPA/ARCADIAMP