À l’aide d’une technique qui modélise les interactions entre les médicaments et les protéines cibles à l’aide du langage naturel, les chercheurs ont atteint une précision allant jusqu’à 97 % dans l’identification de candidats-médicaments prometteurs

En utilisant une méthode qui modélise les interactions entre les médicaments et les protéines cibles à l’aide de techniques de traitement du langage naturel, les chercheurs ont atteint une précision allant jusqu’à 97 % dans l’identification de médicaments candidats prometteurs. Les résultats ont été publiés récemment dans la revue Briefings en bioinformatique.

La technique représente les interactions médicament-protéine à travers des mots pour chaque site de liaison protéique et utilise l’apprentissage en profondeur pour extraire les caractéristiques qui régissent les interactions complexes entre les deux.

“Avec l’IA devenant plus disponible, c’est devenu quelque chose auquel l’IA peut s’attaquer”, déclare le co-auteur de l’étude, Ozlem Garibay, professeur adjoint au Département de génie industriel et de systèmes de gestion de l’UCF. “Vous pouvez essayer de nombreuses variations de protéines et d’interactions médicamenteuses et découvrir lesquelles sont les plus susceptibles de se lier ou non.”

Le modèle qu’ils ont développé, connu sous le nom d’AttentionSiteDTI, est le premier à être interprétable en utilisant le langage des sites de liaison aux protéines.

Le travail est important car il aidera les concepteurs de médicaments à identifier les sites critiques de liaison aux protéines ainsi que leurs propriétés fonctionnelles, ce qui est essentiel pour déterminer si un médicament sera efficace.

Les chercheurs ont réussi cet exploit en concevant un mécanisme d’auto-attention qui permet au modèle d’apprendre quelles parties de la protéine interagissent avec les composés médicamenteux, tout en obtenant des performances de prédiction de pointe.

La capacité d’auto-attention du mécanisme fonctionne en se concentrant sélectivement sur les parties les plus pertinentes de la protéine.

Les chercheurs ont validé leur modèle à l’aide d’expériences en laboratoire qui ont mesuré les interactions de liaison entre les composés et les protéines, puis ont comparé les résultats avec ceux que leur modèle avait prédits par calcul. Comme les médicaments pour traiter le COVID sont toujours d’intérêt, les expériences comprenaient également le test et la validation de composés médicamenteux qui se lieraient à une protéine de pointe du virus SARS-CoV2.

Garibay affirme que la grande concordance entre les résultats de laboratoire et les prédictions informatiques illustre le potentiel d’AttentionSiteDTI pour présélectionner des composés médicamenteux potentiellement efficaces et accélérer l’exploration de nouveaux médicaments et la réaffectation de ceux existants.

“Cette recherche à fort impact n’a été possible que grâce à une collaboration interdisciplinaire entre l’ingénierie des matériaux et l’IA/ML et les informaticiens pour faire face à la découverte liée au COVID”, déclare Sudipta Seal, co-auteur de l’étude et président du Département de science et d’ingénierie des matériaux de l’UCF.

Mehdi Yazdani-Jahromi, doctorant au Collège d’ingénierie et d’informatique de l’UCF et auteur principal de l’étude, affirme que les travaux introduisent une nouvelle direction dans le dépistage préalable des médicaments.

“Cela permet aux chercheurs d’utiliser l’IA pour identifier les médicaments avec plus de précision afin de répondre rapidement aux nouvelles maladies, déclare Yazdani-Jahromi. “Cette méthode permet également aux chercheurs d’identifier le meilleur site de liaison d’une protéine virale sur lequel se concentrer dans la conception de médicaments.”

“La prochaine étape de nos recherches consistera à concevoir de nouveaux médicaments utilisant la puissance de l’IA”, déclare-t-il. “Cela peut naturellement être la prochaine étape pour se préparer à une pandémie.”

La recherche a été financée par le programme interne de financement de l’IA et du Big Data de l’UCF.

Les co-auteurs de l’étude comprenaient également Niloofar Yousefi, un chercheur postdoctoral associé au Laboratoire des systèmes adaptatifs complexes de l’UCF au Collège d’ingénierie et d’informatique de l’UCF ; Aida Tayebi, doctorante au Département de Génie Industriel et Systèmes de Gestion de l’UCF ; Elayaraja Kolanthai, associée de recherche postdoctorale au Département de science et génie des matériaux de l’UCF ; et Craig Neal, chercheur postdoctoral au Département de science et génie des matériaux de l’UCF.

Garibay a obtenu son doctorat en informatique de l’UCF et a rejoint le Département de génie industriel et de systèmes de gestion de l’UCF, qui fait partie du Collège d’ingénierie et d’informatique, en 2020. Auparavant, elle a travaillé pendant 16 ans dans les technologies de l’information pour le Bureau de recherche de l’UCF.

Source de l’histoire :

Matériaux fourni par Université de Floride centrale. Original écrit par Robert Wells. Remarque : Le contenu peut être modifié pour le style et la longueur.