Les plateformes d’intelligence artificielle générative, de ChatGPT à Midjourney, ont fait la une des journaux en 2023. Mais GenAI peut faire plus que simplement créer des images collées et aider à rédiger des e-mails : elle peut également développer de nouveaux médicaments pour traiter des maladies.

De nos jours, les scientifiques utilisent une technologie de pointe pour développer de nouveaux composés de drogues synthétiques dotés des propriétés et caractéristiques appropriées, ce qui est également connu sous le nom de « conception de médicaments de novo ». Cependant, les méthodes actuelles peuvent nécessiter beaucoup de main d’œuvre, de temps et d’argent.

Inspirés par la popularité de ChatGPT et par la question de savoir si cette approche pourrait accélérer le processus de développement de médicaments, des scientifiques du Schmid College of Science and Technology de l’Université Chapman à Orange, en Californie, ont décidé de créer leur propre modèle genAI, décrit dans le nouvel article. « De Novo Drug Design using Transformer-based Machine Translation and Reinforcement Learning of Adaptive Monte-Carlo Tree Search », est publié dans la revue médicament. Dony Ang, Cyril Rakovski et Hagop Atamian ont codé un modèle pour apprendre un vaste ensemble de données sur les produits chimiques connus, comment ils se lient aux protéines cibles, ainsi que les règles générales et la syntaxe des structures et propriétés chimiques.

Le résultat final peut créer d’innombrables structures moléculaires uniques qui suivent les principales contraintes chimiques et biologiques et se lient efficacement à leurs cibles – ce qui promet d’accélérer considérablement le processus d’identification de médicaments candidats viables pour une variété de maladies à une fraction du coût.

Pour créer ce modèle révolutionnaire, les chercheurs ont intégré pour la première fois deux techniques d’IA de pointe dans les domaines de la bioinformatique et de la chemininformatique : la célèbre « architecture codeur-décodeur-transformateur » et « l’apprentissage par renforcement via Monte Carlo Tree Search » (RL -SCTM). La plateforme, bien nommée « drugAI », permet aux utilisateurs de saisir une séquence protéique cible (par exemple, une protéine généralement impliquée dans la progression du cancer). DrugAI, formé sur les données de la base de données publique complète BindingDB, peut générer des structures moléculaires uniques à partir de zéro, puis affiner les candidats de manière itérative pour garantir que les finalistes ont de fortes affinités de liaison avec les cibles médicamenteuses respectives – essentielles à l’efficacité des médicaments potentiels. Le modèle identifie 50 à 100 nouvelles molécules susceptibles d’inhiber ces protéines particulières.

« Cette approche nous permet de développer un médicament potentiel auquel on n’avait jamais pensé auparavant », a déclaré le Dr. Atamien. « Cela a été testé et validé. Nous constatons désormais d’excellents résultats.

Les chercheurs ont évalué les molécules créées par DrugAI sur la base de divers critères et ont constaté que les résultats de DrugAI étaient de qualité similaire à ceux de deux autres méthodes populaires et, dans certains cas, même meilleurs. Ils ont constaté que les médicaments candidats de DrugAI avaient un taux de validité de 100 %, ce qui signifie qu’aucun des médicaments générés n’était présent dans l’ensemble de formation. Les candidats médicaments de DrugAI ont également été évalués pour leur similarité avec les médicaments, la similarité des propriétés d’un composé avec celles des médicaments oraux, et les candidats médicaments étaient respectivement au moins 42 % et 75 % supérieurs à ceux des autres modèles. De plus, toutes les molécules générées par DrugAI ont montré de fortes affinités de liaison avec les cibles respectives, comparables à celles identifiées via les approches de criblage virtuel traditionnelles.

Ang, Rakovski et Atamian voulaient également voir comment les résultats de DrugAI pour une maladie particulière se comparent aux médicaments existants pour cette maladie. Dans une autre expérience, les méthodes de criblage ont généré une liste de composés naturels qui ont inhibé les protéines du COVID-19 ; DrugAI a compilé une liste de nouveaux médicaments ciblant la même protéine pour comparer leurs propriétés. Ils ont comparé la similarité des médicaments et l’affinité de liaison entre les molécules naturelles et les IA des médicaments et ont trouvé des mesures similaires pour les deux – mais DrugAI a pu les identifier de manière beaucoup plus rapide et moins coûteuse.

De plus, les scientifiques ont conçu l’algorithme pour qu’il ait une structure flexible, permettant aux futurs chercheurs d’ajouter de nouvelles fonctionnalités. « Cela signifie que vous vous retrouvez avec des candidats-médicaments raffinés qui sont encore plus susceptibles de devenir un véritable médicament », a déclaré le Dr. Atamien. « Nous sommes enthousiasmés par les possibilités futures. »



Source