apprentissage-approndi-aide-à-concevoir-des-médicaments
Lorsque vous prenez un médicament, vous voulez savoir précisément ce qu’il fait. Les entreprises pharmaceutiques procèdent à des tests approfondis pour s’en assurer. Grâce à une nouvelle technique basée sur l’apprentissage approfondi, créée à l’École d’ingénieurs Brown de l’université Rice, elles pourraient bientôt mieux comprendre comment les médicaments, en cours de développement, se comporteront dans le corps humain.

Metabolite Translator pour prédire les métabolites

Le laboratoire de l’informaticienne Lydia Kavraki, à Rice, a introduit Metabolite Translator, un outil de calcul qui prédit les métabolites, produits des interactions entre de petites molécules comme les médicaments et les enzymes.
Les chercheurs de Rice tirent profit des méthodes d’apprentissage approfondi, et de la disponibilité d’ensembles de données sur les réactions, pour donner aux développeurs une image globale de l’effet d’un médicament. Cette méthode n’est pas limitée par les règles que les entreprises utilisent pour déterminer les réactions métaboliques, ce qui ouvre la voie à de nouvelles découvertes.
« Lorsque vous essayez de déterminer si un composé est un médicament potentiel, vous devez en vérifier la toxicité », a déclaré M. Kavraki. « Vous voulez confirmer qu’il fait ce qu’il devrait faire, mais vous voulez aussi savoir ce qu’il ne pourrait pas faire correctement ».
Les chercheurs ont formé Metabolite Translator pour prédire les métabolites par le biais de n’importe quelle enzyme, mais ont mesuré son succès par rapport aux méthodes existantes basées sur des règles, qui sont axées sur les enzymes du foie. Ces enzymes sont responsables de la détoxification et de l’élimination des xénobiotiques, comme les médicaments, les pesticides et les polluants. Cependant, des métabolites peuvent également être formés par d’autres enzymes.
« Notre corps est un réseau de réactions chimiques », a déclaré M. Litsa. « Ils ont des enzymes qui agissent sur les produits chimiques, et peuvent casser ou former des liens qui changent leurs structures en quelque chose qui pourrait être toxique. Les méthodologies existantes se concentrent sur le foie car la plupart des composés xénobiotiques y sont métabolisés. Avec nos travaux, nous essayons de comprendre le métabolisme humain en général.
Metabolite Translator est basé sur SMILES (pour « simplified molecular-input line-entry system »), une méthode de notation qui utilise du texte, plutôt que des diagrammes pour représenter les molécules chimiques. « Ce que nous faisons est exactement la même chose, que de traduire une langue, comme de l’anglais à l’allemand », a déclaré M. Litsa.

Il a fonctionné aussi bien que les méthodes basées sur des règles

Lorsque tout était près, les chercheurs ont comparé les résultats du Metabolite Translator avec ceux de plusieurs autres techniques de prédiction en analysant les séquences SMILES connues de 65 médicaments et de 179 enzymes de métabolisation. Bien que Metabolite Translator ait été formé sur un ensemble de données générales non spécifiques aux médicaments, il a fonctionné aussi bien que les méthodes basées sur des règles couramment utilisées, qui ont été spécifiquement développées pour les médicaments. Mais il a également identifié des enzymes qui ne sont pas couramment impliquées dans le métabolisme des médicaments, et qui n’ont pas été trouvées par les méthodes existantes.
« Nous avons un système qui peut prédire tout aussi bien que les systèmes basés sur des règles, et nous n’avons pas mis dans notre système des règles qui nécessitent un travail manuel et des connaissances d’experts », a déclaré M. Kavraki. « En utilisant une méthode basée sur l’apprentissage approfondi, nous formons un système pour comprendre le métabolisme humain, sans avoir besoin d’encoder explicitement ces connaissances sous forme de règles. Ce travail n’aurait pas été possible il y a deux ans ».
Cette recherche a été publiée dans Chemical Science.
Source : Rice University
Crédit photo : StockPhotoSecrets