Des chercheurs de l’université de Cambridge ont mis au point un nouveau modèle d’apprentissage automatique qui pourrait accélérer le processus de conception de nouveaux médicaments.
La nouvelle approche d’apprentissage automatique combine des expériences automatisées avec l’IA pour prédire comment les produits chimiques vont réagir les uns avec les autres. L’approche fondée sur les données, inspirée de la génomique, est appelée « réactome chimique ».
Moyens de prédire la réactivité des molécules
La prévision de la réactivité des molécules est essentielle pour la découverte et la fabrication de nouveaux produits pharmaceutiques.
Cependant, il s’agit historiquement d’un processus d’essais et d’erreurs, et les réactions échouent souvent.
Pour prédire la réaction des molécules, les électrons et les atomes sont simulés dans des modèles simplifiés. Ce processus est souvent imprécis et coûteux en termes de calcul.
La nouvelle approche du réactome
« Le réactome pourrait changer notre façon d’envisager la chimie organique », a déclaré le Dr Emma King-Smith du Cavendish Laboratory de Cambridge, premier auteur de l’article.
« Une compréhension plus approfondie de la chimie pourrait nous permettre de fabriquer des produits pharmaceutiques et de nombreux autres produits utiles beaucoup plus rapidement. Mais plus fondamentalement, la compréhension que nous espérons générer sera bénéfique à tous ceux qui travaillent avec des molécules ».
L’approche du réactome permet d’identifier les corrélations pertinentes entre les réactifs, les réactifs et les performances de la réaction à partir des données. Les lacunes dans les données sont également mises en évidence.
Les données utilisées sont générées à partir d’expériences automatisées rapides ou à haut débit.
« La chimie à haut débit a changé la donne, mais nous pensions qu’il existait un moyen de découvrir une compréhension plus profonde des réactions chimiques que ce qui peut être observé à partir des résultats initiaux d’une expérience à haut débit », a déclaré M. King-Smith.
« Notre approche permet de découvrir les relations cachées entre les composants de la réaction et les résultats », a déclaré le Dr Alpha Lee, qui a dirigé la recherche.
« L’ensemble de données sur lequel nous avons entraîné le modèle est énorme – il contribuera à faire passer le processus de découverte chimique de l’essai-erreur à l’ère des données massives (big data).
Une approche d’apprentissage automatique pour accélérer la conception de médicaments
L’équipe a également mis au point une approche d’apprentissage automatique qui permet aux chimistes d’introduire des transformations précises dans des régions prédéfinies d’une molécule. Ces travaux, publiés dans un article connexe de la revue Nature Communications, devraient permettre d’accélérer la conception de médicaments.
L’approche permet aux chimistes de modifier des molécules complexes sans avoir à les fabriquer à partir de zéro.
La manière conventionnelle de modifier le noyau d’une molécule consiste à reconstruire la molécule à partir de zéro, mais les variations du noyau sont importantes pour la conception de médicaments.
Les réactions de fonctionnalisation à un stade avancé tentent d’introduire directement des transformations chimiques au cœur de la molécule, évitant ainsi de devoir repartir de zéro.
Cependant, il est difficile de rendre la fonctionnalisation tardive sélective et contrôlée. En effet, de nombreuses régions de la molécule peuvent réagir, ce qui rend difficile la prédiction du résultat.
« Les fonctionnalisations tardives peuvent donner des résultats imprévisibles et les méthodes actuelles de modélisation, y compris notre propre intuition d’expert, ne sont pas parfaites », a déclaré M. King-Smith. « Un modèle plus prédictif nous donnerait la possibilité d’effectuer un meilleur criblage”.
Pour plus d’informations : https://shorturl.at/csuHM
Plus d’articles sur : https://blog.nabady.ma
