Des chercheurs de l'université de Cambridge ont exploité l'IA pour accélérer considérablement la recherche de nouvelles thérapies contre la maladie de Parkinson.
En utilisant des techniques d'apprentissage automatique, ils ont pu passer au crible des millions de composés médicamenteux potentiels et identifier les candidats les plus prometteurs dix fois plus rapidement et 1000 fois plus économiquement que les méthodes conventionnelles.
La maladie de Parkinson est une maladie neurodégénérative complexe et progressive qui touche environ 6 millions de personnes dans le monde. Ce chiffre devrait tripler d'ici 2040.
Actuellement, aucun traitement ne permet de ralentir ou d'arrêter de manière fiable la progression de la maladie.
Le processus traditionnel de sélection de vastes chimiothèques pour trouver des médicaments potentiels est extrêmement lent, coûteux et souvent infructueux.
"L'une des voies de recherche de traitements potentiels de la maladie de Parkinson passe par l'identification de petites molécules capables d'inhiber l'agrégation de l'alpha-synucléine, une protéine étroitement associée à la maladie", explique le professeur Michele Vendruscolo, chercheur principal de l'étude. a déclaré à l'université de Cambridge.
"Mais c'est un processus qui prend énormément de temps - le simple fait d'identifier un candidat principal pour des tests supplémentaires peut prendre des mois, voire des années".
Pour relever ce défi, M. Vendruscolo et son équipe ont mis au point une approche d'apprentissage automatique en cinq étapes. L'approche étude a été publié en Nature Chemical Biology.
- Commencez par un petit ensemble de composés, identifiés par des simulations, qui ont le potentiel de bloquer l'agglutination de la protéine alpha-synucléine, qui est la cause principale de la maladie de Parkinson. Testez ensuite leur efficacité de manière expérimentale.
- Utiliser les résultats pour former un modèle d'apprentissage automatique afin de prédire quelles structures et propriétés moléculaires rendent un composé efficace pour prévenir l'agrégation des protéines.
- Déployer le modèle formé pour passer rapidement au crible une bibliothèque virtuelle contenant des millions de composés et prédire les candidats les plus puissants.
- Valider expérimentalement les meilleurs candidats sélectionnés par l'IA en laboratoire. Introduire ces résultats dans le modèle afin d'affiner ses capacités de prédiction.
- Répétez ce cycle de prédiction informatique et de test expérimental, le modèle d'IA devenant de plus en plus intelligent à chaque tour, en se concentrant sur les composés les plus puissants.
Après plusieurs itérations, le taux d'optimisation - le pourcentage de composés testés qui inhibent l'agglutination de l'alpha-synucléine associée à la maladie de Parkinson - est passé de 4% à plus de 20%.
De plus, les composés découverts par l'IA étaient, en moyenne, beaucoup plus puissants que tous ceux qui avaient été identifiés auparavant. Certains ont montré une activité prometteuse à des doses huit fois plus faibles. Ils étaient également plus diversifiés sur le plan chimique, le modèle ayant découvert des composés efficaces qui différaient des structures connues.
"L'apprentissage automatique a un impact réel sur la découverte de médicaments - il accélère l'ensemble du processus d'identification des candidats les plus prometteurs", a déclaré M. Vendruscolo.
"En utilisant les connaissances acquises lors du premier criblage avec notre modèle d'apprentissage automatique, nous avons pu entraîner le modèle à identifier les régions spécifiques de ces petites molécules responsables de la liaison, ce qui nous permet de refaire un criblage et de trouver des molécules plus puissantes".
"Pour nous, cela signifie que nous pouvons commencer à travailler sur plusieurs programmes de découverte de médicaments - au lieu d'un seul. La réduction massive des délais et des coûts nous permet d'envisager de nombreuses possibilités - c'est une période passionnante.
Les chercheurs soulignent que ce n'est que le début de ce que les approches fondées sur l'IA pourraient permettre dans la découverte de médicaments pour la maladie de Parkinson et d'autres maladies caractérisées par le mauvais pliage et l'agrégation des protéines.
Le pouvoir prédictif de ces modèles devrait encore s'améliorer grâce à un développement plus poussé et à des ensembles de données d'entraînement plus importants.
Bien qu'il reste encore un long chemin à parcourir pour transformer ces candidats identifiés par l'IA en traitements approuvés, cette étude démontre comment l'apprentissage automatique, intelligemment combiné à la biologie expérimentale, peut grandement accélérer les premières étapes de la découverte de médicaments.
Ces travaux s'appuient sur un ensemble de recherches visant à localiser de nouveaux traitements médicamenteux, notamment du MIT et de Tuftsqui a récemment construit un modèle capable de passer au crible quelque 100 millions de composés par jour.
Plusieurs modèles de découverte d'antibiotiques ont produit des composés expérimentaux, dont certains sont vers les essais cliniques.
Autre projet de grande envergure en collaboration avec le Moorfields Eye Hospital au Royaume-Uni, a utilisé l'année dernière des scanners oculaires pour identifier les signes précoces de la maladie de Parkinson - une nouvelle méthode rendue possible par l'IA.
Avec cette nouvelle étude qui vise à découvrir des traitements efficaces contre la maladie de Parkinson, les méthodes d'IA sont extrêmement prometteuses pour redéfinir la médecine et les soins de santé.
