Les chercheurs visent à accélérer la vitesse de découverte de médicaments en calculant les efficacités de liaison avec l’IA

Les chercheurs du MIT ont récemment développé une nouvelle technique basée sur l’IA pour accélérer la découverte de médicaments en augmentant la vitesse des calculs utilisés pour évaluer l’affinité de liaison moléculaire d’un médicament.

Un médicament doit être capable de s’attacher aux protéines pour accomplir la tâche pour laquelle il a été conçu. Évaluer la capacité d’un médicament à s’attacher aux protéines est une partie importante du processus de découverte et de dépistage de médicaments, et les techniques d’apprentissage automatique pourraient réduire le temps passé à évaluer cet attribut important du médicament.

L’équipe de recherche du MIT responsable du développement de la nouvelle technique d’évaluation de médicaments l’appelle DeepBAR. DeepBAR combine les algorithmes d’apprentissage automatique avec les calculs de chimie traditionnels. DeepBAR calcule le potentiel de liaison d’un candidat-médicament donné et des protéines cibles de ce médicament. La nouvelle technique d’analyse fournit des estimations de la capacité de liaison d’un médicament de manière substantiellement plus rapide que les méthodes traditionnelles utilisées pour évaluer les affinités de liaison, et on espère que la technique peut améliorer la vitesse de découverte de médicaments.

Le potentiel de liaison d’un médicament est quantifié par une métrique appelée énergie libre de liaison, où un nombre plus petit indique un plus grand potentiel de liaison. Un score d’énergie libre de liaison faible signifie qu’un médicament a une grande capacité à concurrencer d’autres molécules, en remplissant les rôles de ces molécules et en perturbant la fonction normale d’une protéine. Il existe une forte corrélation entre l’énergie libre de liaison d’un candidat-médicament et l’efficacité de ce médicament. Cependant, mesurer l’énergie libre de liaison peut être assez difficile.

Il existe deux techniques typiques pour mesurer les énergies libres de liaison. Une méthode consiste à calculer la quantité exacte d’énergie libre de liaison, tandis que l’autre consiste à estimer la quantité d’énergie libre de liaison. Les estimations sont moins coûteuses en termes de calcul que les mesures exactes, mais elles comportent évidemment un compromis en termes de précision.

La méthode DeepBAR utilise une fraction de la puissance de calcul des méthodes de mesure exactes, mais fournit des estimations très précises des énergies de liaison. DeepBAR utilise le “rapport d’acceptation de Bennett”, qui est l’algorithme généralement utilisé pour calculer l’énergie libre de liaison. Le rapport d’acceptation de Bennett nécessite l’utilisation de deux états de référence/états finaux et d’une variété d’états intermédiaires (qui sont des états de liaison partielle). L’approche DeepBAR tente de réduire le nombre de calculs nécessaires pour estimer les énergies de liaison en utilisant le rapport d’acceptation de Bennett aux côtés de cadres d’apprentissage automatique et de modèles génératifs profonds. Les modèles d’apprentissage automatique génèrent un état de référence pour chaque état final, et ces états finaux sont suffisamment précis par rapport aux états finaux réels pour que le rapport d’acceptation de Bennett puisse être déployé.

Le modèle génératif profond conçu par l’équipe de recherche du MIT est basé sur des techniques de vision par ordinateur. Essentiellement, DeepBAR traite chaque structure moléculaire qu’il analyse comme une image, en analysant les caractéristiques de l'”image” pour apprendre à partir d’elles. L’équipe de recherche a dû apporter de légères modifications à l’algorithme pour accommoder l’analyse des structures 3D, car les algorithmes de vision par ordinateur fonctionnent généralement sur des images 2D.

Dans les tests initiaux, DeepBAR a pu calculer l’énergie libre de liaison environ 50 fois plus vite que les techniques traditionnelles. Il reste encore du travail à faire sur le modèle. Il doit être validé contre des données expérimentales plus complexes que les données relativement simples sur lesquelles il a été initialement testé, qui impliquaient des données assez simples. L’équipe de recherche du MIT vise à améliorer la capacité de DeepBAR à calculer les énergies libres de liaison pour les grandes protéines en affinant le modèle à l’aide des progrès récents en informatique.

DeepBAR est loin d’être la première tentative d’appliquer l’IA à la chaîne de découvertes de médicaments dans le but d’accélérer la vitesse de découverte de médicaments. De nombreux autres projets de recherche ont également utilisé l’IA pour automatiser les aspects de la chaîne de découvertes de médicaments et améliorer leur efficacité. Cependant, il pourrait y avoir un goulet d’étranglement naturel qui limite l’efficacité de ces stratégies.

Comme Derek Lowe a récemment argumenté dans un blog sur ScienceMag.org, si l’objectif est d’améliorer la vitesse de découverte de médicaments, il est important de “attaquer les bons problèmes”. L’évaluation de l’efficacité clinique et de la sécurité des médicaments prend un temps considérable et trouver des moyens d’utiliser l’IA pour réduire les taux d’échec clinique est difficile. En fin de compte, il pourrait y avoir une limite inférieure au temps que les méthodes d’IA peuvent économiser en termes de découverte de médicaments, du moins jusqu’à ce que l’IA puisse être intégrée de manière significative dans le processus d’évaluation clinique. Néanmoins, les améliorations sont des améliorations et plus de recherches comme DeepBAR sont effectuées, plus les scientifiques auront de temps pour considérer les moyens d’utiliser l’IA dans d’autres domaines de la chaîne de découvertes de médicaments.