Exploiter la puissance de l'apprentissage automatique : une avancée majeure dans la découverte d'immunomodulateurs

Dans une avancée majeure pour la conception de vaccins et l'immunothérapie, des chercheurs de l'École d'ingénierie moléculaire Pritzker (PME) de l'Université de Chicago ont exploité les capacités de l'apprentissage automatique pourdentde nouvelles molécules stimulant les voies immunitaires. L'étude, récemment publiée dans la revue Chemical Science, illustre le potentiel de l'intelligence artificielle (IA) pour révolutionner la recherche d'immunomodulateurs, composants essentiels au développement de vaccins plus efficaces et d'immunothérapies anticancéreuses performantes.

Un vaste espace chimique exploré

dentles molécules capables de déclencher la réponse immunitaire souhaitée représente un défi de taille, compte tenu du nombre impressionnant de petites molécules aux propriétés médicamenteuses (10⁶⁰), bien supérieur au nombre d'étoiles visibles dans l'univers. Pour explorer cet immense espace chimique, l'équipe de recherche, dirigée par le professeur Aaron Esser-Kahn, a eu recours à des techniques d'apprentissage automatique, une méthode inédite pour la découverte d'immunomodulateurs.

processus de sélection guidé par l'IA

L'équipe a entrepris un criblage à haut débit de 40 000 combinaisons de molécules afin d'évaluer leur impact sur les voies de l'immunité innée, en ciblant spécifiquement les voies NF-κB et IRF, essentielles à l'inflammation et aux réponses antivirales. Les chercheurs ont ensuite combiné les résultats avec une bibliothèque de près de 140 000 petites molécules disponibles dans le commerce pour orienter un processus itératif, à la fois computationnel et expérimental.

L'apprentissage actif révèle des trésors cachés

En utilisant l'apprentissage actif, une technique d'apprentissage automatique qui permet de naviguer efficacement dans l'espace moléculaire lors du criblage expérimental, l'étudiantdent Yifeng (Oliver) Tang a mené les recherches. Le processus était itératif : le modèle suggérait des candidats potentiels ou des domaines inexplorés, incitant l'équipe à effectuer des analyses à haut débit et à réinjecter les données dans l'algorithme d'apprentissage actif. De façon étonnante, après seulement quatre cycles, avec un échantillonnage d'à peine 2 % de la bibliothèque, l'équipe adentdes petites molécules performantes jusqu'alors inconnues.

Des résultats record

La découverte guidée par l'IA a révélé de petites molécules aux performances exceptionnelles, surpassant l'intuition humaine. Ces candidats prometteurs ont démontré une amélioration remarquable de 110 % de l'activité de NF-κB, une augmentation de 83 % de l'activité d'IRF et une suppression impressionnante de 128 % de l'activité de NF-κB. Une molécule en particulier a triplé la production d'IFN-β lorsqu'elle était administrée avec un agoniste de STING, ce qui est très prometteur pour le traitement du cancer.

Les généralistes et leur polyvalence

Les recherches ont également mis en évidence des « généralistes » : des immunomodulateurs capables de modifier les voies de signalisation lorsqu’ils sont administrés conjointement avec des agonistes, des substances chimiques qui activent les récepteurs cellulaires. Ces petites molécules polyvalentes pourraient potentiellement jouer un rôle multifacette dans divers vaccins, facilitant ainsi leur commercialisation. Le professeur Andrew Ferguson a souligné l’enthousiasme suscité par la perspective d’une molécule unique contribuant à un large éventail de vaccins.

Dévoiler les secrets moléculaires

Pour mieux comprendre les caractéristiques des moléculesdent, l'équipe a mené une analyse approfondie des propriétés chimiques communes favorisant les comportements souhaités. Ces connaissances permettent de cibler les molécules aux caractéristiques spécifiques ou de concevoir rationnellement de nouvelles molécules dotées de groupements chimiquesdent.

Les chercheurs entendent poursuivre ce processus novateur, dans le but d'dentdes molécules dotées d'une activité immunitaire plus spécifique et d'explorer des combinaisons permettant un meilleur contrôle de la réponse immunitaire. Le professeur Esser-Kahn a exprimé l'objectif ultime : trouver des molécules capables de traiter les maladies.

Un changement de paradigme dans la conception des vaccins

L'utilisation de l'apprentissage automatique pour guider la découverte d'immunomodulateurs marque un changement de paradigme dans la conception des vaccins et l'immunothérapie. Le succès de cette approche basée sur l'IA accélère non seulement l'dentde molécules puissantes, mais ouvre également des perspectives de collaboration au sein de la communauté scientifique. L'équipe, qui envisage d'étendre ses recherches de molécules, encourage le partage des jeux de données afin d'accroître l'efficacité et l'impact de cette recherche novatrice.