Des scientifiques de l’Université de Virginie ont développé une nouvelle approche de l’apprentissage automatique – une forme d’intelligence artificielle – pour identifier des médicaments qui aident à minimiser les cicatrices nocives après une crise cardiaque ou une autre blessure.

Le nouvel outil d’apprentissage automatique a déjà trouvé un candidat prometteur qui pourrait aider à prévenir les cicatrices cardiaques nocives d’une manière différente des médicaments précédents. Les chercheurs de l’UVA affirment que leur modèle informatique de pointe a également le potentiel de prédire et d’expliquer les effets des médicaments sur d’autres maladies.

« De nombreuses maladies courantes, telles que les maladies cardiaques, les maladies métaboliques et le cancer, sont complexes et difficiles à traiter », a déclaré le chercheur Anders R. Nelson, PhD, biologiste informatique et ancien étudiant du laboratoire de Jeffrey J. Saucerman, PhD de l’UVA. « L’apprentissage automatique nous aide à réduire cette complexité, à identifier les facteurs clés qui contribuent à la maladie et à mieux comprendre comment les médicaments peuvent modifier les cellules malades. »

« L’apprentissage automatique à lui seul nous aide à identifier les signatures cellulaires créées par les médicaments », a déclaré Saucerman du Département de génie biomédical de l’UVA, un programme conjoint de l’École de médecine et de l’École d’ingénierie. « La combinaison de l’apprentissage automatique et de l’apprentissage humain nous a aidé non seulement à prédire les médicaments contre la fibrose (cicatrices), mais également à expliquer leur fonctionnement. Ces connaissances sont nécessaires pour concevoir des essais cliniques et identifier les effets secondaires possibles.

Combinaison d’apprentissage automatique et d’apprentissage humain

Saucerman et son équipe ont combiné un modèle informatique basé sur des décennies de connaissances humaines avec l’apprentissage automatique pour mieux comprendre comment les médicaments affectent les cellules appelées fibroblastes. Ces cellules aident à réparer le cœur après une blessure en produisant du collagène et en contractant la plaie. Cependant, elles peuvent également provoquer des cicatrices dommageables, appelées fibrose, dans le cadre du processus de réparation. Saucerman et son équipe voulaient savoir si une sélection de médicaments prometteurs donnerait aux médecins plus d’options pour prévenir les cicatrices et, à terme, améliorer les résultats pour les patients.

Les tentatives précédentes visant à identifier des médicaments ciblant les fibroblastes se sont concentrées uniquement sur certains aspects du comportement des fibroblastes, et le fonctionnement de ces médicaments reste souvent flou. Ce manque de connaissances a posé un défi majeur dans le développement de traitements ciblés contre la fibrose cardiaque. Saucerman et ses collègues ont donc développé une nouvelle approche appelée « apprentissage automatique mécaniste basé sur la logique » qui prédit non seulement les médicaments, mais également la manière dont ils affectent le comportement des fibroblastes.

Ils ont d’abord examiné l’effet de 13 médicaments prometteurs sur les fibroblastes humains, puis ont utilisé ces données pour entraîner le modèle d’apprentissage automatique afin de prédire l’effet des médicaments sur les cellules et leur comportement. Le modèle a pu prédire une nouvelle explication de la façon dont le médicament pirfénidone, déjà approuvé par la Food and Drug Administration des États-Unis pour le traitement de la fibrose pulmonaire idiopathique, supprime les fibres contractiles du fibroblaste qui raidissent le cœur. Le modèle a également prédit comment l’inhibiteur expérimental de Src WH4023 pourrait cibler un type différent de fibres contractiles, ce qu’ils ont validé expérimentalement dans des fibroblastes cardiaques humains.

Des recherches supplémentaires sont nécessaires pour vérifier si les médicaments fonctionnent comme prévu sur des modèles animaux et des patients humains. Mais les chercheurs de l’UVA affirment que leurs recherches suggèrent que l’apprentissage automatique mécaniste représente un outil puissant pour les scientifiques cherchant à découvrir les causes et les effets biologiques. Les nouvelles découvertes soulignent, disent-ils, le grand potentiel de la technologie pour faire progresser le développement de nouveaux traitements, non seulement pour les lésions cardiaques, mais pour de nombreuses maladies.

« Nous sommes impatients de tester si la pirfénidone et le WH4023 suppriment également la contraction des fibroblastes cicatriciels dans des modèles animaux précliniques », a déclaré Saucerman. « Nous espérons qu’il s’agit d’un exemple de la façon dont l’apprentissage automatique et l’apprentissage humain peuvent travailler ensemble pour non seulement découvrir mais aussi comprendre le fonctionnement de nouveaux médicaments. »

La recherche a été financée par les subventions HL137755, HL007284, HL160665, HL162925 et 1S10OD021723-01A1 des National Institutes of Health.



Source