Dans un étude de ruptureDes chercheurs du MIT et de l'université de Tufts ont mis au point une méthode d'apprentissage automatique pour accélérer le processus de découverte de médicaments.
Il existe de vastes bibliothèques de médicaments contenant des milliards de composés différents qui pourraient traiter efficacement toutes sortes de maladies, du cancer aux maladies cardiaques. La question est de savoir comment les trouver.
La découverte de médicaments a toujours été un processus à forte intensité de main-d'œuvre, les scientifiques devant tester chaque composé potentiel sur toutes les cibles possibles, ce qui prend beaucoup de temps et coûte cher.
Pour résoudre ce problème, les chercheurs ont commencé à utiliser des méthodes informatiques pour sélectionner des bibliothèques de composés médicamenteux. Cependant, cette approche nécessite encore beaucoup de temps car elle implique le calcul de la structure tridimensionnelle de chaque protéine cible sur la base de sa séquence d'acides aminés.
Cependant, l'équipe du MIT et de Tufts a conçu une nouvelle approche basée sur un grand modèle de langage (LLM), qui est le type de modèle qui alimente l'IA comme ChatGPT. Le modèle analyse de grandes quantités de données pour déterminer quels acides aminés sont susceptibles de s'associer, un peu comme les modèles de langage tels que ChatGPT analysent d'énormes volumes de texte pour déterminer quels mots s'associent.
Ce nouveau modèle, nommé ConPLexCe modèle permet d'associer des protéines cibles à des molécules médicamenteuses potentielles sans avoir à calculer la structure des molécules. Ce modèle a permis aux chercheurs de passer en revue plus de 100 millions de composés en une journée.
Bonnie Berger, professeur de mathématiques à la chaire Simons et chef du groupe Computation and Biology au sein du Computer Science and Artificial Intelligence Laboratory (CSAIL) du MIT, a déclaré : "Ce travail répond à la nécessité d'un criblage in silico efficace et précis des médicaments candidats potentiels, et l'évolutivité du modèle permet des criblages à grande échelle pour l'évaluation des effets hors cible, la réorientation des médicaments et la détermination de l'impact des mutations sur la liaison des médicaments".
L'IA rationalise le dépistage et le développement des médicaments
L'un des principaux obstacles dans ce domaine a été la tendance des modèles existants à ne pas écarter les composés "leurres". Ces composés sont similaires à des médicaments efficaces mais n'interagissent pas bien avec la cible. Pour écarter les leurres, l'équipe a incorporé une phase d'entraînement qui a aidé le modèle à distinguer les vrais médicaments des imposteurs.
Les chercheurs ont testé le modèle ConPLex en passant au crible une bibliothèque d'environ 4 700 molécules médicamenteuses candidates contre un ensemble de 51 enzymes connues sous le nom de protéines kinases.
Après avoir testé expérimentalement 19 des paires médicament-protéine les plus prometteuses, ils en ont trouvé 12 qui présentaient une forte affinité de liaison avec la cible.
Bien que cette étude se soit principalement concentrée sur les médicaments à petites molécules, l'équipe étudie la possibilité d'appliquer cette approche à d'autres types de médicaments, tels que les anticorps thérapeutiques.
Le modèle pourrait également permettre d'effectuer des tests de toxicité sur des composés médicamenteux potentiels, afin de s'assurer qu'ils ne produisent pas d'effets secondaires indésirables avant d'être testés sur des modèles animaux.
Rohit Singh, chercheur au CSAIL, déclare : "Si la découverte de médicaments est si coûteuse, c'est en partie parce que les taux d'échec sont élevés. Si nous pouvons réduire ces taux d'échec en disant d'emblée que ce médicament a peu de chances de fonctionner, cela pourrait contribuer à réduire considérablement le coût de la découverte de médicaments."
Eytan Ruppin, chef du laboratoire de science des données sur le cancer à l'Institut national du cancer, salue cette approche comme une "avancée significative dans la prédiction des interactions entre médicaments et cibles".
Fin mai, une autre équipe de recherche du MIT a construit un modèle de sélection d'antibiotiques qui fonctionne de manière similaire à celui-ci.
L'équipe a utilisé l'apprentissage automatique pour explorer des milliers de médicaments existants et a localisé un composé particulier efficace contre les superbactéries résistantes aux antibiotiques.
