L'apprentissage automatique accélère la découverte de médicaments

Dans une entreprise de recherche révolutionnaire, des scientifiques de l'Université de Finlande orientale ont ouvert une nouvelle ère dans la découverte de médicaments, capitalisant sur le potentiel de l'apprentissage automatique. Grâce à un partenariat stratégique avec des experts de l'industrie et aux capacités de calcul des supercalculateurs, cette collaboration a produit des résultats remarquables, compressant considérablement le temps requis pour le criblage virtuel de médicaments.

Cet article fournit des aperçus complets de cette méthodologie pionnière, soulignant ses implications pour le secteur pharmaceutique et la communauté scientifique au sens large.

Criblage virtuel pionnier

Le domaine du criblage virtuel, une phase cruciale dans la quête de nouveaux composés médicamenteux, a subi une transformation monumentale grâce à l'intégration de l'apprentissage automatique. Les chercheurs se sont appuyés sur des techniques assistées par ordinateur rapides pour trier d'immenses bibliothèques de composés, cherchant des agents potentiels pour cibler des entités spécifiques liées aux médicaments.

Cependant, l'explosion de la taille de ces bibliothèques a dépassé les capacités même des supercalculateurs les plus avancés. Par conséquent, le criblage d'une bibliothèque de composés à l'échelle du milliard contre une cible médicamenteuse unique pourrait consommer plusieurs mois, voire des années, présentant un défi formidable pour l'industrie.

L'étude historique

Dans une récente publication dans le Journal of Chemical Information and Modeling, le Dr Ina Pöhner et ses collègues estimés de l'École de pharmacie de l'Université de Finlande orientale. En partenariat avec CSC – Centre informatique pour la science Ltd., l'apogée du supercalcul en Finlande, et des collaborateurs industriels clés d'Orion Pharma, ils ont entrepris une mission pour exploiter le potentiel de l'apprentissage automatique pour le criblage virtuel à l'échelle du giga.

Les chercheurs ont méthodiquement établi une ligne de base avant d'introduire l'intelligence artificielle dans leur flux de travail. Ils ont entrepris une campagne de criblage virtuel monumentale qui a évalué un étonnant 1,56 milliard de molécules semblables à des médicaments contre deux cibles pharmacologiquement pertinentes. Cette entreprise exhaustive, s'étendant sur presque six mois, a été exécutée avec l'aide des supercalculateurs Mahti et Puhti, en employant la technique d'amarrage moléculaire. Cette méthode informatique examine la compatibilité des petites molécules avec le site de liaison d'une cible.

L'apprentissage automatique à l'avant-garde

Après la phase intensive d'amarrage, les résultats ont subi un processus de criblage boosté par l'apprentissage automatique orchestré via HASTEN, un outil que le Dr Tuomo Kalliokoski d'Orion Pharma a conçu. HASTEN exploite la puissance de l'apprentissage automatique pour décoder les propriétés complexes des molécules et leur impact sur le score des composés. En tirant parti d'un vaste ensemble de données accumulé par l'amarrage conventionnel, le modèle d'apprentissage automatique peut rapidement prédire les scores d'amarrage pour d'autres composés de la bibliothèque, surpassant considérablement l'approche d'amarrage par force brute intensive en ressources.

Les résultats n'étaient rien de moins qu'extraordinaires. Avec seulement 1 % de la bibliothèque complète amarrée et utilisée comme données d'entraînement, HASTEN a identifié 90 % des composés les mieux notés en moins de dix jours. Cette réalisation représente un bond quantique en efficacité, mettant en lumière le potentiel transformateur de l'apprentissage automatique pour révolutionner le paysage de la découverte de médicaments.

Le triomphe de cette recherche est un témoignage de la synergie entre l'académie et l'industrie. Le professeur Antti Poso, qui dirige le groupe de découverte de médicaments computationnels au sein de la communauté de recherche DrugTech de l'Université de Finlande orientale, a souligné le rôle pivot que les ressources computationnelles de pointe de CSC ont joué dans la réalisation de leurs objectifs ambitieux. Cette collaboration est exemplaire, illustrant comment l'amalgame d'idées, de ressources et de technologie de pointe peut propulser la recherche scientifique à des hauteurs inégalées.

Les données ouvertes, catalyseur de l'innovation future

Reconnaissant l'importance primordiale de la diffusion des connaissances, les auteurs de l'étude ont généreusement mis de vastes ensembles de données à la disposition du public. Ces ensembles de données comprennent une bibliothèque de criblage prête à être déployée pour l'amarrage, permettant aux chercheurs de hâter leurs entreprises de criblage. 

De plus, l'ensemble de données comprenant 1,56 milliard de résultats d'amarrage de composés pour deux cibles a été dévoilé comme données de référence. Ce geste philanthropique favorise non seulement la collaboration, mais ouvre également la voie au développement d'outils qui peuvent rationaliser les processus, économiser des ressources et faire avancer le domaine de la découverte de médicaments computationnelle.