Les chercheurs utilisent l’apprentissage profond pour identifier de nouveaux médicaments

Les chercheurs de l’Institut de science et de technologie de Gwangju en Corée ont développé un nouveau modèle d’apprentissage profond capable de prédire la liaison entre un médicament et une molécule cible. L’équipe, dirigée par le professeur associé Hojung Nam et l’étudiant en doctorat Ingoo Lee, a appelé le nouveau modèle « Highlights on Target Sequences » (HoTS).

La recherche a été publiée dans le Journal of Cheminformatics.

Le processus de découverte de médicaments

Les médicaments sont testés dans le processus de découverte de médicaments pour leur capacité à se lier ou à interagir avec des molécules cibles dans l’organisme. Les modèles d’apprentissage profond se sont avérés utiles pour rendre ce processus plus efficace, mais leurs prédictions ne démontrent pas toujours une interprétabilité. C’est pourquoi l’équipe a créé HoTS, qui fait de meilleures prédictions d’interactions médicament-cible tout en étant interprétable.

Il est crucial de déterminer à quel point un médicament se lie à sa molécule cible, et cela implique généralement d’aligner une structure 3D d’un médicament et de sa protéine cible à différentes configurations. Ce processus est appelé « docking ». Après ce processus, les sites de liaison préférés sont découverts en exécutant des simulations de docking à plusieurs reprises avec de multiples candidats médicaments pour une molécule cible. Les modèles d’apprentissage profond sont utilisés pour effectuer ces simulations.

Modèle HoTS

Le modèle récemment développé peut également prédire les interactions médicament-cible (DTI) sans avoir besoin de simulations ou de structures 3D.

« Tout d’abord, nous enseignons explicitement au modèle quelles parties d’une séquence de protéine interagiront avec le médicament en utilisant des connaissances antérieures », explique le professeur Nam. « Le modèle formé est ensuite utilisé pour reconnaître et prédire les interactions entre les médicaments et les protéines cibles, ce qui donne de meilleures performances de prédiction. En utilisant cela, nous avons construit un modèle qui peut prédire les régions de liaison des protéines cibles et leurs interactions avec les médicaments sans complexe 3D ».

Le modèle n’a pas besoin de traiter la longueur complète de la séquence de protéine. Au lieu de cela, il peut faire des prédictions basées sur les parties de la protéine qui sont pertinentes pour l’interaction DTI.

« Nous avons enseigné au modèle où se concentrer pour qu’il puisse comprendre les sous-régions importantes des protéines dans la prédiction de son interaction avec les candidats médicaments », poursuit le professeur Nam.

Cela permet au modèle de prédire les DTI de manière plus précise que les modèles existants.

Ces nouvelles découvertes fourniront un bon point de départ pour les simulations de docking futures pour prédire de nouveaux candidats médicaments.

« Ce modèle utilisé dans notre étude rendrait le processus de découverte de médicaments plus transparent, ainsi que à faible risque et à faible coût. Cela permettra aux chercheurs de découvrir plus de médicaments pour le même budget et le même temps », conclut le professeur Nam.