Les brevets sont des documents juridiques qui décrivent de nouvelles inventions, y compris des substances chimiques encore en développement. Ces documents contiennent souvent des informations précieuses sur des substances potentiellement nocives bien avant qu'elles n'apparaissent dans des produits de consommation ou l'environnement. Cela en fait une ressource clé pour les systèmes d'alerte précoce (EWS), qui aident les autorités à identifier les substances chimiques dangereuses avant qu'elles ne représentent un risque pour les personnes ou la planète. Cependant, une grande partie des informations chimiques contenues dans les brevets sont cachées dans des images, telles que des dessins de structures moléculaires et des réactions chimiques. Ces images ne sont pas accessibles aux systèmes basés sur le texte, ce qui rend difficile pour les ordinateurs de les analyser automatiquement. Un workflow proposé consiste à utiliser l'intelligence artificielle (IA) pour détecter et interpréter les structures chimiques dans les images de brevets. Une fois détectée, l'IA convertirait la structure en un format lisible par machine, lui permettant d'être comparée aux substances chimiques connues et à leurs risques associés. Si l'IA identifie une structure chimique potentiellement dangereuse ou entièrement nouvelle, elle la signalerait pour une examen ultérieur par des experts humains. Ce processus permettrait aux scientifiques de déterminer si la substance est déjà connue, si elle ressemble à d'autres substances dangereuses, ou si elle présente des caractéristiques liées à des dangers spécifiques. Dans une étude récente publiée dans le journal Chemical Research in Toxicology, les chercheurs ont testé trois outils d'IA populaires sur des structures chimiques tirées de deux ensembles de données spécialisés obtenus via la base de données Espacenet de l'Office européen des brevets. Un ensemble se concentrait sur la chimie organique générale, l'autre sur les substances per- et polyfluoroalkyl (PFAS), un groupe de substances chimiques synthétiques connues pour leur persistance environnementale et leurs risques potentiels pour la santé. Les structures générées par l'IA ont ensuite été examinées par cinq experts en chimie. Les résultats ont montré que l'IA s'est bien comportée sur les structures chimiques standard, avec des taux de précision compris entre 74 % et 78 %. Cependant, lorsqu'il s'agissait des structures PFAS, la performance de l'IA a chuté de manière significative, aucun des outils n'ayant correctement identifié 26 des 43 structures uniques. Les outils d'IA ont eu du mal à gérer les façons complexes et parfois obsolètes dont les substances chimiques sont représentées dans les images de brevets. Les brevets plus anciens avaient souvent des images floues ou déformées, ce qui a rendu plus difficile pour l'IA de les interpréter correctement. Si une IA lit mal une structure chimique, les conséquences peuvent être graves. Cela pourrait entraîner des mesures préventives inutiles, ou pire, permettre à une substance chimique réellement dangereuse d'échapper à la détection. En raison de cela, les chercheurs soulignent que tout système automatisé futur doit inclure des mécanismes de contrôle de la qualité et des scores de confiance pour garantir la fiabilité. L'étude met en évidence que l'IA n'est pas conçue pour déterminer si une substance chimique est nuisible, mais plutôt pour agir en tant que traducteur, convertissant les dessins chimiques en formats numériques pouvant être comparés aux substances connues et signalés pour examen supplémentaire. Bien que la technologie actuelle ne soit pas encore prête pour une automatisation totale, l'étude fournit une compréhension claire de ses forces et de ses limites. Cette connaissance est essentielle pour développer des systèmes plus efficaces à l'avenir, qui pourraient aider à améliorer les systèmes d'alerte précoce pour les substances chimiques dangereuses.