Des chercheurs de l’Université de Bonn ont entraîné un processus d’IA pour prédire des principes actifs potentiels dotés de propriétés particulières. Ils ont donc dérivé un modèle de langage chimique – une sorte de ChatGPT pour les molécules. Après une phase d’entraînement, l’IA a pu reproduire exactement les structures chimiques de composés à activité double cible connue qui pourraient être des médicaments particulièrement efficaces. L'étude a maintenant été publiée dans Rapports cellulaires Sciences physiques. Ne publiez pas avant le mercredi 23 octobre à 17h00 CEST !
Quiconque veut faire plaisir à sa grand-mère avec un poème pour son 90e anniversaire n'a pas besoin d'être poète de nos jours : il suffit d'une courte invite dans ChatGPT et en quelques secondes, l'IA crache une longue liste de mots qui riment. avec le nom de la fille d'anniversaire. Il peut même produire un sonnet pour l'accompagner si vous le souhaitez.
Des chercheurs de l’Université de Bonn ont mis en œuvre un modèle similaire dans leur étude, connu sous le nom de modèle de langage chimique. Cependant, cela ne produit pas de rimes. Au lieu de cela, l’IA affiche les formules développées de composés chimiques qui peuvent avoir une propriété particulièrement souhaitable : ils sont capables de se lier à deux protéines cibles différentes. Dans l’organisme, cela signifie par exemple qu’ils peuvent inhiber deux enzymes à la fois.
Recherché : des actifs à double effet
Dans la recherche pharmaceutique, ces types de composés actifs sont hautement recherchés en raison de leur polypharmacologie. »
Prof. Dr. Jürgen Bajorath
L'expert en chimie computationnelle dirige le domaine de l'IA dans les sciences de la vie à l'Institut Lamarr pour l'apprentissage automatique et l'intelligence artificielle et le programme d'informatique des sciences de la vie au b-it (Bonn-Aachen International Center for Information Technology) à l'Université de Bonn. « Parce que les composés ayant une activité multi-cible souhaitable influencent simultanément plusieurs processus intracellulaires et voies de signalisation, ils sont souvent particulièrement efficaces, par exemple dans la lutte contre le cancer. » En principe, cet effet peut également être obtenu par la co-administration de différents médicaments. Cependant, il existe un risque d’interactions médicamenteuses indésirables et différents composés sont également souvent décomposés à des rythmes différents dans l’organisme, ce qui rend difficile leur administration ensemble.
Trouver une molécule qui influence spécifiquement l’effet d’une seule protéine cible n’est pas une tâche facile. Concevoir des composés ayant un double effet prédéfini est encore plus compliqué. Les modèles de langage chimique pourraient être utiles ici à l’avenir. ChatGPT est formé avec des milliards de pages de texte écrit et apprend à formuler lui-même des phrases. Les modèles de langage chimique fonctionnent de la même manière, mais ne disposent que de très petites quantités de données disponibles pour l’apprentissage. Mais en principe, ils sont également alimentés par des textes, tels que les chaînes SMILES, qui montrent les molécules organiques et leur structure sous la forme d'une séquence de lettres et de symboles. « Nous avons maintenant formé notre modèle de langage chimique avec des paires de chaînes », explique Sanjana Srinivasan du groupe de recherche de Bajorath. « L'une des chaînes décrivait une molécule dont nous savons qu'elle n'agit que contre une protéine cible. L'autre représentait un composé qui, en plus de cette protéine, influence également une deuxième protéine cible. »
L'IA apprend les connexions chimiques
Le modèle a été nourri avec plus de 70 000 de ces couples. Cela lui a permis d'acquérir une connaissance implicite de la différence entre les composés actifs normaux et ceux à double effet. « Lorsque nous l'avons ensuite nourri avec un composé contre une protéine cible, il a suggéré sur cette base des molécules qui agiraient non seulement contre cette protéine mais aussi contre une autre », explique Bajorath.
Les composés d'entraînement à double effet ciblent souvent des protéines similaires et remplissent donc une fonction similaire dans l'organisme. Cependant, dans la recherche pharmaceutique, on recherche également des principes actifs qui influencent des classes d’enzymes ou de récepteurs complètement différentes. Pour préparer l’IA à cette tâche, un réglage fin a eu lieu après la phase d’apprentissage général. Les chercheurs ont utilisé plusieurs dizaines de paires de formations spéciales pour enseigner à l’algorithme quelles différentes classes de protéines les composés suggérés devraient cibler. C'est un peu comme demander à ChatGPT de ne pas créer un sonnet cette fois, mais plutôt un limerick.
Après le réglage fin, le modèle a effectivement craché des molécules dont il a déjà été démontré qu'elles agissent contre les combinaisons souhaitées de protéines cibles. « Cela montre que le processus fonctionne », déclare Bajorath. Selon lui, la force de cette approche ne réside toutefois pas dans le fait que de nouveaux composés dépassant l'effet des produits pharmaceutiques disponibles peuvent être immédiatement découverts. « Il est plus intéressant, de mon point de vue, que l'IA suggère souvent des structures chimiques auxquelles la plupart des chimistes ne penseraient même pas tout de suite », explique-t-il. « Dans une certaine mesure, cela déclenche des idées 'hors des sentiers battus' et propose des solutions originales qui peuvent conduire à de nouvelles hypothèses et approches de conception. »
Institutions participantes et financement :
L'étude a été menée à l'Université de Bonn, à l'Institut Lamarr et au b-it.
