Des chercheurs de l'UC San Diego ont créé un algorithme d'apprentissage automatique, POLYGON, qui améliore la découverte précoce de médicaments en simulant une chimie complexe, accélérant ainsi le processus de développement. Cet outil d’IA identifie non seulement rapidement les médicaments candidats, mais se concentre également sur des molécules multi-cibles, réduisant potentiellement les effets secondaires observés dans les thérapies combinées traditionnelles. Crédit : Issues.fr.com
La nouvelle plate-forme a aidé les scientifiques de l'UC San Diego à synthétiser 32 médicaments anticancéreux multi-cibles potentiels.
Les scientifiques de l'UC San Diego ont développé un apprentissage automatique algorithme pour simuler la chimie fastidieuse impliquée dans les premières phases de la découverte de médicaments, ce qui pourrait considérablement rationaliser le processus et ouvrir la porte à des traitements inédits. L’identification de médicaments candidats pour une optimisation plus poussée implique généralement des milliers d’expériences individuelles, mais la nouvelle plateforme d’intelligence artificielle (IA) pourrait potentiellement donner les mêmes résultats en une fraction du temps.
Les chercheurs ont utilisé le nouvel outil, décrit aujourd'hui (6 mai) dans Communications naturellespour synthétiser 32 nouveaux candidats médicaments contre le cancer.
Le virage vers l’IA dans le secteur pharmaceutique
Cette technologie fait partie d’une tendance nouvelle mais croissante dans la science pharmaceutique consistant à utiliser l’IA pour améliorer la découverte et le développement de médicaments.
L'auteur principal Trey Ideker, photographié ici, est professeur de médecine, d'informatique et de bio-ingénierie à l'UC San Diego. Crédit : Erik Jepsen/UC San Diego
« Il y a quelques années, l'IA était un gros mot dans l'industrie pharmaceutique, mais aujourd'hui, la tendance est définitivement inverse, les startups de biotechnologie ayant du mal à lever des fonds sans intégrer l'IA dans leur plan d'affaires », a déclaré l'auteur principal Trey Ideker, professeur. au Département de médecine de la Faculté de médecine de l'UC San Diego et professeur adjoint de bio-ingénierie et d'informatique à la Jacobs School of Engineering de l'UC San Diego. « La découverte de médicaments guidée par l'IA est devenue un domaine très actif dans l'industrie, mais contrairement aux méthodes développées dans les entreprises, nous rendons notre technologie open source et accessible à tous ceux qui souhaitent l'utiliser.
Avantages de la découverte de médicaments multi-cibles
La nouvelle plateforme, appelée POLYGON, est unique parmi les outils d'IA pour la découverte de médicaments dans la mesure où elle peut identifier des molécules avec des cibles multiples, alors que les protocoles existants de découverte de médicaments donnent actuellement la priorité aux thérapies à cible unique. Les médicaments multi-cibles présentent un intérêt majeur pour les médecins et les scientifiques en raison de leur potentiel à offrir les mêmes avantages que la thérapie combinée, dans laquelle plusieurs médicaments différents sont utilisés ensemble pour traiter le cancer, mais avec moins d'effets secondaires.
« Il faut de nombreuses années et des millions de dollars pour trouver et développer un nouveau médicament, surtout s'il s'agit d'un médicament à cibles multiples. » dit Ideker. « Les rares médicaments multi-cibles dont nous disposons ont été découverts en grande partie par hasard, mais cette nouvelle technologie pourrait contribuer à éliminer le risque de l’équation et à lancer une nouvelle génération de médecine de précision.
Comment fonctionne POLYGONE
Les chercheurs ont formé POLYGON sur une base de données de plus d'un million de molécules bioactives connues contenant des informations détaillées sur leurs propriétés chimiques et leurs interactions connues avec des cibles protéiques. En apprenant des modèles trouvés dans la base de données, POLYGON est capable de générer des formules chimiques originales pour de nouveaux médicaments candidats susceptibles d'avoir certaines propriétés, telles que la capacité d'inhiber des protéines spécifiques.
« Tout comme l'IA est désormais très efficace pour générer des dessins et des images originaux, comme la création d'images de visages humains basées sur des propriétés souhaitées comme l'âge ou le sexe, POLYGON est capable de générer des composés moléculaires originaux basés sur les propriétés chimiques souhaitées », a déclaré Ideker. « Dans ce cas, au lieu de dire à l'IA quel âge nous voulons que notre visage ait, nous lui disons comment nous voulons que notre futur médicament interagisse avec les protéines de la maladie. »
La co-auteure de l'étude, Katherine Licon, photographiée ici sur le banc, est responsable du laboratoire Ideker Lab de l'UC San Diego, qui combine des techniques informatiques et traditionnelles de laboratoire humide pour répondre à des questions fondamentales sur la biologie des maladies et découvrir de nouvelles façons d'améliorer la médecine de précision. Crédit : Erik Jepsen/UC San Diego
Tests et résultats
Pour tester POLYGON, les chercheurs l'ont utilisé pour générer des centaines de médicaments candidats ciblant diverses paires de protéines liées au cancer. Parmi celles-ci, les chercheurs ont synthétisé 32 molécules présentant les interactions prédites les plus fortes avec les protéines MEK1 et mTOR, une paire de protéines de signalisation cellulaire qui constituent une cible prometteuse pour les thérapies combinées contre le cancer. Ces deux protéines sont ce que les scientifiques appellent synthétiquement mortelles, ce qui signifie que l’inhibition des deux ensemble suffit à tuer les cellules cancéreuses, même si l’inhibition d’une seule ne l’est pas.
Les chercheurs ont découvert que les médicaments qu’ils ont synthétisés avaient une activité significative contre MEK1 et mTOR, mais avaient peu de réactions hors cible avec d’autres protéines. Cela suggère qu'un ou plusieurs des médicaments identifiés par POLYGON pourraient être capables de cibler les deux protéines dans le cadre d'un traitement contre le cancer, fournissant ainsi une liste de choix à peaufiner par les chimistes humains.
« Une fois que vous disposez des médicaments candidats, vous devez encore effectuer toutes les autres analyses chimiques nécessaires pour affiner ces options en un traitement unique et efficace », a déclaré Ideker. « Nous ne pouvons pas et ne devons pas essayer d’éliminer l’expertise humaine du processus de découverte de médicaments, mais ce que nous pouvons faire, c’est raccourcir quelques étapes du processus. »
L'avenir de l'IA dans la découverte de médicaments
Malgré cette prudence, les chercheurs sont optimistes quant au fait que les possibilités de l’IA pour la découverte de médicaments viennent tout juste d’être explorées.
« Voir comment ce concept se concrétisera au cours de la prochaine décennie, tant dans le monde universitaire que dans le secteur privé, sera très excitant », a déclaré Ideker. « Les possibilités sont pratiquement infinies. »
Les co-auteurs de l'étude incluent : Brenton Munson, Michael Chen, Audrey Bogosian, Jason Kreisberg, Katherine Licon, Abagyan Ruben et Brent Kuenzi, tous à l'UC San Diego.
Cette étude a été financée en partie par le Instituts nationaux de la santé (Subventions CA274502, GM103504, ES014811, CA243885, CA212456).
