Un nouvel outil d’IA peut accélérer la découverte de médicaments à l’aide d’images sympas

HeungSoon / Pixabay

Source: HeungSoon / Pixabay

L’apprentissage automatique de l’intelligence artificielle (IA) transforme la découverte de médicaments pharmaceutiques. Les progrès de l’apprentissage en profondeur, un sous-ensemble de l’apprentissage automatique, permettent aux chercheurs d’identifier des modèles dans des domaines où il existe de grandes quantités de données complexes, telles que l’imagerie. Dans une nouvelle étude publiée jeudi dans Intelligence artificielle de la nature, des chercheurs japonais créent un réseau neuronal profond d’IA pour extraire des informations sur la dynamique des protéines à partir d’images capturées à l’aide de la cryo-microscopie électronique (cryo-EM).

«Les avancées techniques de l’analyse des particules uniques basées sur la microscopie électronique cryogénique (cryo-EM) ont permis de résoudre les structures de nombreuses protéines à des résolutions atomiques ou quasi-atomiques, y compris des macromolécules extrêmement grandes dont les structures ne pouvaient pas être résolues par des techniques conventionnelles,» ont écrit les chercheurs. «La détermination des propriétés dynamiques de ces macromolécules, sur la base de leurs structures résolues, peut encore améliorer notre compréhension de leurs mécanismes fonctionnels.»

De nombreux médicaments agissent en se liant à une protéine cible afin d’altérer sa fonction. La plupart des découvertes de médicaments sont effectuées en utilisant une approche basée sur les cibles (par opposition aux phénotypes) où les scientifiques émettent des hypothèses sur les acides nucléiques ou les protéines à cibler pour traiter des maladies et des conditions spécifiques.

Les composés chimiques sont améliorés pour diverses raisons, notamment pour diminuer la toxicité, améliorer la solubilité et augmenter l’affinité pour la protéine cible. Avoir une carte de l’échafaudage du site de liaison aux protéines accélère la compréhension de la façon d’améliorer les composés pour les caractéristiques souhaitées.

A lire aussi  Pourquoi mangeons-nous des animaux quand nous professons les aimer ?

Avec la connaissance de la structure de la protéine tridimensionnelle et des conditions de cristallisation d’un composé chimique, les scientifiques peuvent le cocristalliser avec la protéine cible afin d’obtenir l’architecture du ligand protéine.

En biochimie, un ligand est une molécule, un ion ou un atome unique qui se lie à une protéine d’une manière qui peut être inversée. Les ligands peuvent être présents dans la nature ou être fabriqués de manière synthétique dans un laboratoire. Lorsque les ligands se lient aux protéines, ils peuvent activer les voies chimiques. L’aspect de réversibilité des ligands lui permet d’agir comme un messager – ni la protéine cible ni le ligand lui-même ne sont modifiés de façon permanente.

Le chemin pour obtenir cette carte biochimique passe par l’imagerie, ce qui a toujours été un défi étant donné que les microscopes électroniques à haute résolution endommagent les cellules vivantes. Plus précisément, les faisceaux d’électrons puissants et les conditions de vide des microscopes électroniques à transmission (TEM) détruisent les biomolécules. Pour résoudre ce problème, les scientifiques ont développé la cryo-microscopie électronique dans les années 1970, une méthode qui utilise des échantillons congelés sous des faisceaux d’électrons moins intenses. Dans les années à venir, la microscopie électronique des biomolécules a permis un certain nombre d’améliorations.

Du milieu des années 70 au milieu des années 80, Joachim Frank de l’Université Columbia à New York, a développé la technique de création d’une structure tridimensionnelle à haute résolution à partir du traitement et de la fusion d’images bidimensionnelles de résolution inférieure. Jacques Dubochet, de l’Université de Lausanne en Suisse, a découvert comment permettre aux biomolécules de conserver leur forme dans le vide en vitrifiant l’eau au début des années 80 par refroidissement rapide de l’eau autour de l’échantillon biologique. En 1990, Richard Henderson, du MRC Laboratory of Molecular Biology à Cambridge, au Royaume-Uni, a obtenu la résolution atomique d’images tridimensionnelles de protéines à l’aide d’un microscope électronique.

A lire aussi  Se sentir seul? Trouvez les amitiés que vous voulez

Ensemble, Dubochet, Frank et Henderson ont également reçu le prix Nobel de chimie en 2017 pour leur contribution à la technologie du microscope cool (au sens propre et figuré) qui permet aux chercheurs de voir les processus biochimiques à résolution atomique et de produire des structures tridimensionnelles de biomolécules.

La résolution atomique de la structure tridimensionnelle des biomolécules n’est qu’un élément de l’équation de découverte de médicaments. Vient ensuite la partie difficile de donner un sens à ces images haute résolution, une tâche longue et complexe pour l’œil humain. C’est là que l’apprentissage automatique de l’intelligence artificielle peut aider.

Pour cette étude, l’équipe de recherche japonaise de Yasushi Okuno, Kei Terayama, Shigeyuki Matsumoto, Shoichi Ishida, Mitsugu Araki et Takayuki Kato, a utilisé l’apprentissage profond pour créer une extraction dynamique à partir d’une carte cryo-EM (DEFMap) – un neuronal convolutif tridimensionnel réseau (CNN). Les chercheurs ont formé DEFMap sur 25 cartes cryo-EM de la banque de données de microscopie électronique (EMDB), puis l’ont testé à l’aide de trois autres cartes cryo-EM.

«En se basant uniquement sur les cartes cryo-EM, DEFMap a fourni avec succès des informations dynamiques équivalentes à celles déterminées à partir de simulations de dynamique moléculaire (MD) et d’approches expérimentales aux niveaux atomique et résiduel», ont écrit les chercheurs. «De plus, DEFMap pourrait détecter les changements de dynamique associés à la reconnaissance moléculaire et aux stabilisations conformationnelles allostériques qui l’accompagnent, qui déclenchent divers événements biologiques tels que la transduction du signal et la catalyse enzymatique.»

Désormais, avec cette preuve de concept, les chercheurs ont démontré que l’application de l’apprentissage automatique de l’intelligence artificielle (IA) peut extraire des modèles significatifs d’images de protéines cryo-EM, un outil d’apprentissage en profondeur ayant le potentiel d’accélérer la découverte de médicaments à l’avenir.

A lire aussi  L'importance d'une alimentation saine

Copyright © 2021 Cami Rosso Tous droits réservés.