L’approche mathématique peut rendre la découverte de médicaments plus efficace et efficiente

Le Dr Baris Coskunzer, professeur de sciences mathématiques à l’UT Dallas, et ses collègues ont développé une approche basée sur l’analyse topologique des données pour cribler virtuellement des milliers de candidats-médicaments possibles et réduire considérablement les candidats composés à ceux qui sont les plus adaptés aux tests de laboratoire et cliniques.

Les chercheurs présenteront leurs découvertes lors de la 36e conférence sur les systèmes de traitement de l’information neuronale, qui se tiendra du 28 novembre au 9 décembre à la Nouvelle-Orléans.

En règle générale, les premières phases de la découverte de médicaments impliquent des chercheurs identifiant une cible biologique, telle qu’une protéine associée à une maladie d’intérêt. L’étape suivante consiste à cribler des bibliothèques de milliers de composés chimiques potentiels qui pourraient être efficaces ou pourraient être modifiés pour affecter la cible afin d’atténuer la cause ou les symptômes de la maladie. Les candidats les plus prometteurs passent au processus long et coûteux d’essais en laboratoire et cliniques et d’approbation réglementaire.

“Le processus de découverte de médicaments peut prendre 10 à 15 ans et coûter un milliard de dollars”, a déclaré Coskunzer. “Les sociétés pharmaceutiques veulent un moyen plus rentable de le faire. Ils veulent trouver les composés les plus prometteurs au début du processus afin de ne pas perdre de temps à tester des impasses.

“Nous avons fourni une toute nouvelle méthode de criblage virtuel qui est efficace sur le plan informatique et classe les composés en fonction de leur probabilité de fonctionner.”

Bien que le criblage virtuel de bibliothèques de composés chimiques ne soit pas nouveau, Coskunzer a déclaré que l’approche de son groupe surpasse de manière significative les autres méthodes de pointe sur de grands ensembles de données.

L’équipe UTD et Novartis a défini le processus de sélection virtuelle comme un nouveau type de problème de classement de graphes basé sur la topologie, issu d’une branche des mathématiques appelée analyse de données topologiques. Leur méthode caractérise chaque composé moléculaire en fonction de la forme de sa sous-structure physique sous-jacente – sa topologie – ainsi que d’une série de propriétés physiques et chimiques des composants de la molécule. À partir de ces informations, les chercheurs développent une “empreinte topologique” unique pour chaque composé qui est utilisée pour le classer en fonction de son adéquation aux propriétés souhaitées.

“L’avantage de notre algorithme est qu’il pourrait cribler environ 100 000 composés en quelques jours, ce qui est beaucoup plus rapide que les autres méthodes”, a déclaré Coskunzer.

La prochaine étape consistera à généraliser la méthode à la prédiction des propriétés moléculaires, qui comprend la notation d’un composé sur sa solubilité dans l’eau. La solubilité peut être essentielle à l’efficacité d’un médicament dans le corps humain.

“Si vous trouvez un bon composé, mais qu’il n’a pas les propriétés moléculaires souhaitées – s’il n’est pas soluble – alors il est probable qu’il ne fonctionnera pas. Vous voulez pouvoir tester ces propriétés avant qu’un médicament candidat va trop loin dans le développement », a déclaré Coskunzer.

D’autres chercheurs de l’UT Dallas travaillant sur le projet sont le Dr Yulia Gel, professeur de sciences mathématiques à la School of Natural Sciences and Mathematics, et le Dr Ignacio Segovia-Dominguez, chercheur postdoctoral en informatique à la Erik Jonsson School of Engineering and L’informatique.

Parmi les contributeurs de Novartis figurent le Dr Andac Demir, spécialiste des données au sein de son AI Innovation Lab, et le Dr Bulent Kiziltan, directeur exécutif du laboratoire. Le Dr Yuzhou Chen MS’17, professeur adjoint d’informatique et de sciences de l’information à l’Université Temple, a également contribué.

Les chercheurs de l’UTD sont soutenus par des subventions de la National Science Foundation, de la Simons Foundation et de l’Office of Naval Research.

Source de l’histoire :

Matériaux fourni par Université du Texas à Dallas. Original écrit par Amanda Siegfried. Remarque : Le contenu peut être modifié pour le style et la longueur.