L'efficacité et la robustesse du procédé manufacturier sont essentielles pour assurer la productivité et la prévisibilité dans la fabrication pharmaceutique. La technologie de fabrication de vaccins de Medicago utilise des plantes pour la production et notre objectif est de développer un système capable de prévoir et de contrôler l’aptitude des plantes à la production, et ce, tôt dans le processus, de l’ensemencement à la récolte des feuilles productrices.

À cette fin, nous devons identifier les facteurs qui régulent le niveau de production de chaque plante. Nous prévoyons mesurer un grand nombre de molécules, appelées métabolites, afin de déterminer les conditions optimales permettant à la plante de générer la quantité maximale de chaque produit. La quantité de mesures étant importante, nous utiliserons l’apprentissage automatique pour concevoir une intelligence artificielle capable de comprendre et d’identifier les schémas potentiellement très complexes de métabolites et/ou des caractéristiques corrélées à une productivité optimale.

La découverte des agents antimicrobiens a été l'un des grands triomphes du XXe siècle. La nouvelle qui donne à réfléchir est que la résistance aux antibiotiques faisait également partie du processus. Si rien n'est fait d'ici 2050, la résistance aux antibiotiques coûtera 100 billions de dollars et 10 millions de personnes par an devraient en mourir (https://amr-review.org). Les facteurs à l'origine de la résistance aux antibiotiques vont au-delà des soins de santé humaine et ont des répercussions sur la médecine vétérinaire, l'agriculture et l'environnement (approche "One Health"). Les approches nouvelles et améliorées pour lutter contre la résistance aux antibiotiques comprennent une meilleure surveillance, une utilisation rationnelle des médicaments, un modèle commercial différent pour la production d'antibiotiques, l'innovation à tous les niveaux et, surtout, une approche globale.

Cette proposition de subvention d'équipe transnationale a pour but d'appliquer de nouvelles approches d'apprentissage machine pour la modélisation de la résistance aux antibiotiques afin d'accélérer le diagnostic, d'améliorer la surveillance et de prédire l'émergence de la résistance. Plus précisément, nous développerons la mise en œuvre de l'apprentissage machine qui peut orienter la sélection des traitements en évaluant le niveau de résistance, fournir une justification pour la génération de nouveaux antibiotiques et aider à la surveillance de la résistance aux antibiotiques chez l'homme et le bétail dans le monde entier.

Pour y parvenir, nous avons réuni une équipe transnationale (Canada, Chine, Finlande, France) aux compétences complémentaires, qui a fait ses preuves en matière d'apprentissage automatique à la fois à la génomique et à la métabolomique et aux experts du domaine de la résistance aux antibiotiques.  Notre équipe transnationale dispose de tous les éléments pour avoir un impact important et continuer à collaborer bien au-delà de la période de financement JPIAMR.

La complémentarité de notre expertise nous aidera à relever les défis à venir et à assurer la continuité de notre succès.