Les scientifiques ont découvert une classe révolutionnaire d’antibiotiques utilisant l’IA et l’apprentissage profond explicable, une première en 60 ans. Cette nouvelle classe, efficace contre les agents pathogènes multirésistants, met en valeur le potentiel de l’IA pour révolutionner la découverte de médicaments et combattre la résistance aux antibiotiques. Crédit : Issues.fr.com
Des chercheurs à MITle Broad Institute du MIT et de Harvard, Integrated Biosciences, le Wyss Institute for Biologically Inspired Engineering et le Leibniz Institute of Polymer Research ont identifié une nouvelle classe structurelle d’antibiotiques.
Les scientifiques ont découvert l’une des premières nouvelles classes d’antibiotiques identifiées au cours des 60 dernières années, et la première découverte exploitant une plateforme basée sur l’IA et construite autour d’un apprentissage profond explicable.
Publié dans Nature aujourd’hui, 20 décembre, l’article évalué par des pairs, intitulé « Découverte d’une classe structurelle d’antibiotiques avec apprentissage profond explicable », a été co-écrit par une équipe de 21 chercheurs, dirigée par Felix Wong, Ph.D., co-fondateur of Integrated Biosciences, et James J. Collins, Ph.D., professeur Termeer de génie médical et de sciences au MIT et président fondateur du conseil consultatif scientifique intégré des biosciences.
Parmi les autres collaborateurs figuraient des chercheurs du Massachusetts Institute of Technology (MIT), du Broad Institute du MIT et de Harvard, du Wyss Institute for Biologically Inspired Engineering et du Leibniz Institute of Polymer Research à Dresde, en Allemagne.
Approche innovante dans la découverte de médicaments
Dans leur étude, les chercheurs ont examiné virtuellement plus de 12 millions de composés candidats pour identifier cette nouvelle classe d’antibiotiques, qui présentent un potentiel pour lutter contre la résistance aux antibiotiques.
Dans cette approche révolutionnaire, l’équipe de chercheurs a formé des modèles d’apprentissage profond sur des données générées expérimentalement pour prédire l’activité antibiotique et la toxicité de n’importe quel composé. S’inspirant de l’IA utilisée dans d’autres contextes, notamment de la technologie de jeu AlphaGo de DeepMind, les auteurs ont conçu de nouveaux modèles pour expliquer quelles parties d’une molécule étaient importantes pour l’activité antibiotique.
Le résultat a été l’identification d’une nouvelle classe d’antibiotiques dotés d’une puissante activité contre les agents pathogènes multirésistants. Dans une série d’expériences, les chercheurs ont testé un antibiotique candidat sur des modèles murins d’infection à SARM et ont découvert qu’il était efficace à la fois localement et systémiquement, ce qui indique que le composé pourrait être adapté à un développement ultérieur en tant que traitement des infections bactériennes graves et liées à la septicémie. .
Implications pour le développement futur de médicaments
« Cette découverte d’une nouvelle classe d’antibiotiques constitue un résultat révolutionnaire démontrant que l’intelligence artificielle et l’apprentissage profond explicable sont les seuls capables de catalyser la découverte de médicaments », a déclaré le Dr Wong. « Notre travail met à la disposition du public plusieurs modèles de grande puissance permettant de prédire avec précision l’activité et la toxicité des antibiotiques. Surtout, il s’agit de l’une des premières démonstrations que les modèles d’apprentissage profond peuvent expliquer ce qu’ils prédisent, avec des implications immédiates et de grande envergure sur la manière dont la découverte de médicaments est effectuée et sur l’efficacité avec laquelle nous pouvons trouver de nouveaux médicaments grâce à l’IA.
Le Dr Collins a déclaré : « Il s’agit d’une validation importante de l’importance de l’intégration de l’IA et de l’apprentissage profond explicable pour surmonter certains des défis les plus épineux de la médecine, en l’occurrence la résistance aux antibiotiques. En s’appuyant sur ces études de validation et des approches similaires, l’équipe Integrated Biosciences est sur le point d’accélérer encore son intégration de la biologie synthétique et une compréhension approfondie du stress cellulaire pour répondre à un besoin non satisfait important de nouveaux traitements ciblant les maladies liées à l’âge.
Satotaka Omori, Ph.D., membre fondateur et responsable de la biologie du vieillissement chez Integrated Biosciences, et auteur collaborateur de la publication, a déclaré : « Une implication importante de cette étude est que les modèles d’apprentissage profond dans la découverte de médicaments peuvent, et dans de nombreux cas devrait être rendu explicable. Même si l’IA continue d’avoir un impact, elle est également limitée par les nombreux modèles de boîtes noires couramment utilisés qui obscurcissent le processus décisionnel sous-jacent. En ouvrant ces boîtes noires, nous visons à créer des informations plus généralisables qui pourraient être plus utiles pour accélérer l’utilisation et le développement d’approches de nouvelle génération en matière de découverte de médicaments.
Alicia Li, associée de recherche chez Integrated Biosciences et auteur collaborateur de la publication, a ajouté : « C’est vraiment passionnant de voir comment nous avons pu démontrer une nouvelle façon de prédire l’utilité d’un composé en tant qu’antibiotique, la probabilité que le composé progressera dans les essais de phase I, et si le composé est ou non l’un des nombreux autres membres potentiels d’une nouvelle classe de médicaments.
Integrated Biosciences a construit un corpus de recherche qui, en plus de ce nouveau Nature publication, comprend un Vieillissement naturel article publié en mai démontrant comment l’IA peut être utilisée pour découvrir de nouveaux sénolytiques, des composés anti-âge qui éliminent sélectivement les cellules « zombies » sénescentes. Ces composés se sont révélés prometteurs dans leur capacité à traiter les maladies liées à l’âge, telles que la fibrose, l’inflammation et le cancer.
UN Systèmes cellulaires Un article publié en juillet a démontré une plate-forme basée sur la biologie synthétique permettant à l’homme de contrôler les réponses au stress associées au vieillissement, permettant ainsi un dépistage accéléré de médicaments ciblant le vieillissement.
