Comment la peinture cellulaire transforme la découverte de médicaments

Dans cette interview, Jordi Carreras plonge dans le monde fascinant du Cell Painting, une technologie puissante qui prend de l’ampleur dans la découverte de médicaments. Il partage son point de vue sur ses recherches révolutionnaires, les aspects uniques de la plateforme de découverte de médicaments de Phenaros et la synergie entre le monde universitaire et l’industrie.

Pouvez-vous donner un aperçu de votre intervention à l’ELRIG Drug Discovery 2023 et expliquer pourquoi le profilage morphologique phénotypique, en particulier à l’aide de la peinture cellulaire, prend de l’ampleur dans le domaine de la découverte de médicaments ?

Dans mon exposé, j’ai présenté les travaux de notre laboratoire sur l’établissement d’une infrastructure pour la phénomique autonome, en mettant l’accent sur notre automatisation open source et le rôle de l’intelligence artificielle. J’ai également partagé deux exemples de la façon dont nous avons appliqué nos plateformes.

L’intérêt croissant pour le profilage morphologique phénotypique, en particulier la peinture cellulaire, est évident à travers des initiatives telles que le Joint Undertaking in Morphological Profiling-Cell Painting Consortium (JUMP-CP). La peinture cellulaire est une technique puissante développée au Broad Institute qui consiste à colorer différents compartiments cellulaires avec des colorants fluorescents. Il fournit des empreintes digitales uniques de perturbations cellulaires, ce qui le rend précieux pour diverses applications, notamment la découverte de médicaments.

Dans votre présentation, vous avez mentionné que votre groupe de l’Université d’Uppsala a mis en place un laboratoire automatisé et une infrastructure électronique pour les expériences de peinture cellulaire et de profilage morphologique. Pourriez-vous nous expliquer les avantages et les capacités de cette configuration pour la découverte universitaire de médicaments et la prédiction du MoA ?

Notre configuration de peinture cellulaire entièrement automatisée, associée à une infrastructure électronique robuste, nous permet de générer efficacement des données de haute qualité. Cette configuration est particulièrement avantageuse pour la recherche universitaire car elle réduit la dépendance à l’égard de solutions commerciales tierces coûteuses. Bien que ce niveau d’automatisation ne soit pas réalisable pour tous les laboratoires universitaires, il nous permet de produire des résultats reproductibles et open source.

Nous pouvons générer des téraoctets d’images et des gigaoctets de données numériques, créant ainsi une ressource précieuse pour le monde universitaire. De plus, notre infrastructure garantit l’intégrité et la qualité des données, ce qui les rend adaptées à diverses applications, notamment la prédiction du mécanisme d’action (MoA).

Vous avez mentionné l’utilisation des profils de 5 270 médicaments et composés annotés de la bibliothèque de réutilisation de médicaments SPECS pour les enquêtes du MoA. Comment ce vaste ensemble de données a-t-il contribué à vos recherches et quelles informations en avez-vous tirées ?

Cet ensemble de données, très inspiré de la bibliothèque Drug Repurposing Hub du BROAD, a constitué une étape importante pour notre laboratoire. Il fournit une mine d’informations à diverses fins de recherche, y compris l’élucidation du MoA. En comparant les profils générés par Cell Painting, nous pouvons identifier le MoA potentiel des composés. De plus, nous appliquons l’intelligence artificielle pour créer des modèles prédictifs capables d’anticiper les effets d’un composé sur des composants cellulaires spécifiques, tels que les kinases ou les récepteurs.

Cependant, tous les médicaments de la bibliothèque ne présentent pas les effets attendus. Pour améliorer la puissance de l’ensemble de données, nous devrons peut-être réexécuter des expériences avec différentes conditions ou lignées cellulaires. Néanmoins, il s’agit d’une ressource précieuse pour nos recherches.

Pourriez-vous nous présenter un exemple ou une étude de cas dans lequel la peinture cellulaire et le profilage morphologique ont été particulièrement efficaces pour élucider le mécanisme d’action d’un médicament ou d’un composé ?

Nous avons reçu 50 nouvelles entités chimiques dont les mécanismes d’action sont inconnus. Pour déterminer leur MoA, nous avons criblé ces composés en utilisant la même approche de peinture cellulaire que celle utilisée pour la bibliothèque de réutilisation de médicaments. En comparant les profils de ces nouveaux composés à ceux de médicaments connus, nous pourrions identifier des MoA potentiels.

Cette étude de cas met en valeur la puissance de la peinture cellulaire et du profilage morphologique pour découvrir les mécanismes à l’origine de nouveaux composés, ce qui est crucial pour les efforts de découverte de médicaments.

La combinaison de la phénomique, de l’IA et de l’automatisation semble être un aspect central de vos recherches. Pouvez-vous partager des applications ou des résultats spécifiques pour lesquels cette combinaison s’est avérée particulièrement puissante pour faire progresser la découverte de médicaments ?

Nous avons deux projets avancés démontrant la puissance de la combinaison de la phénomique, de l’IA et de l’automatisation. Dans un projet, nous cherchions à trouver des médicaments capables de transformer une forme agressive de cancer infantile, le rhabdomyosarcome, en une forme moins agressive. Nous avons identifié des candidats prometteurs en criblant des composés et en analysant leurs effets à l’aide de Cell Painting et de l’IA.

Dans un autre projet lié au SRAS-CoV-2, nous avons utilisé des méthodes similaires pour identifier des composés ayant une puissante activité antivirale contre le virus. L’IA joue un rôle important dans la conception d’expériences efficaces, l’analyse des données et la prise de décisions éclairées à différentes étapes de ces projets.

Dans votre rôle de directeur scientifique chez Phenaros Pharmaceuticals, vous vous concentrez sur l’exploitation de la phénomique, de l’IA et de l’automatisation pour la découverte de médicaments. Pourriez-vous nous en dire plus sur les aspects uniques de la plateforme de découverte de médicaments de Phenaros et son impact potentiel sur l’industrie ?

Chez Phenaros, nous appliquons l’expertise et les technologies développées dans notre groupe de recherche pour créer une plateforme de découverte de médicaments au niveau industriel. Un aspect distinctif est notre approche consistant à mener des cycles de découverte intelligents et itératifs plutôt qu’un filtrage par force brute. Cette stratégie réduit le temps et les coûts liés à la découverte de composés principaux.

Notre plateforme combine l’IA, l’automatisation et la phénomique pour accélérer les processus de découverte de médicaments. En rendant ces technologies plus accessibles, nous espérons stimuler l’innovation et améliorer l’efficacité du développement de médicaments dans l’industrie.

Votre parcours comprend plusieurs rôles de leadership. Comment votre expérience dans les rôles de direction que vous avez occupés dans le passé a-t-elle influencé votre approche de la découverte de médicaments, et quelles synergies voyez-vous entre ces deux domaines du monde universitaire et de l’industrie ?

J’ai eu le privilège de codiriger deux groupes de recherche phénotypiques sur la découverte de médicaments dans le milieu universitaire, ce qui m’a apporté une formation très précieuse. En termes de leadership, je souhaite créer un environnement dans lequel les gens se sentent partie prenante, où ils se sentent motivés et, surtout, où ils peuvent grandir et évoluer vers leur cheminement de carrière. Il existe cependant une différence fondamentale entre le monde universitaire et l’industrie en termes de découverte de médicaments. Dans le monde universitaire, l’accent est souvent mis sur la publication d’articles, l’obtention de financements et l’exploration de la biologie des maladies. Bien que ces éléments soient essentiels, la transition des découvertes universitaires vers des médicaments commercialisables peut s’avérer difficile.

La découverte de médicaments par l’industrie vise à transformer les découvertes en médicaments commercialisables, ce qui nécessite souvent de créer des sociétés et de suivre les processus réglementaires. La collaboration entre le monde universitaire et l’industrie dans la découverte de médicaments présente un énorme potentiel, mais il reste encore du travail à faire pour faciliter efficacement ces collaborations.

La découverte phénotypique de médicaments implique souvent l’exploration de systèmes biologiques complexes. Quels défis avez-vous rencontrés dans ce domaine et comment les avez-vous relevés dans vos travaux de recherche et industriels ?

Un défi courant dans la découverte de médicaments phénotypiques consiste à équilibrer la complexité. Commencer par un système robuste et simple est crucial pour générer des résultats reproductibles. Nous visons initialement la simplicité, puis augmentons la complexité à mesure que nous validons les résultats. Cette approche nous aide à maintenir l’efficacité du processus de découverte.

Naviguer dans la complexité des systèmes biologiques nécessite de la patience et une validation minutieuse des résultats. Il est essentiel de trouver un équilibre entre comprendre la complexité et générer des informations exploitables.

Pouvez-vous partager votre point de vue sur l’avenir du profilage morphologique phénotypique et son rôle dans le façonnement du paysage de la découverte de médicaments ? Quels développements passionnants prévoyez-vous dans ce domaine ?

L’avenir du profilage morphologique phénotypique est incroyablement prometteur. La technologie évolue rapidement, avec une communauté croissante de chercheurs et un accent mis sur la collaboration ouverte. Les progrès en matière d’instrumentation, d’automatisation et d’intelligence artificielle améliorent ses capacités.

Je prévois que nous assisterons à l’émergence continue d’applications et de méthodologies innovantes dans ce domaine. À mesure que nous comprendrons mieux le pouvoir du profilage morphologique, nous assisterons à davantage de percées dans la découverte de médicaments et la médecine personnalisée.

En tant que personne possédant une formation multidisciplinaire en sciences de la vie, en IA et en découverte de médicaments, quels conseils donneriez-vous aux chercheurs et aux professionnels intéressés à poursuivre une carrière dans ce domaine en évolution rapide ?

Trouver votre place dans ce domaine multidisciplinaire est crucial. Se spécialiser dans des domaines tels que l’IA, l’automatisation et la phénomique peut s’avérer très enrichissant, car ces technologies jouent un rôle central dans l’avenir de la découverte de médicaments. La persévérance et la volonté d’adaptation sont essentielles car ce domaine évolue rapidement.

Quel message ou quels points à retenir espérez-vous que les participants à ELRIG Drug Discovery 2023 tireront profit de votre exposé et de vos connaissances sur le profilage phénotypique et la découverte de médicaments ?

J’espère que les participants retiendront trois messages clés : Premièrement, l’importance d’établir une infrastructure robuste pour des expériences de profilage morphologique de haute qualité. Deuxièmement, l’idée selon laquelle cette infrastructure est réalisable avec de l’ingéniosité et de la persévérance. Et enfin, la reconnaissance du formidable pouvoir que le profilage morphologique, combiné à l’IA et à l’automatisation, détient pour faire progresser la découverte de médicaments. Les applications et innovations potentielles dans ce domaine sont incroyablement passionnantes.

Où les lecteurs peuvent-ils trouver plus d’informations ?

À propos de Jordi Carreras-Puigvert

Jordi Carreras-Puigvert est professeur agrégé en découverte de médicaments précliniques et codirige le groupe de bioinformatique pharmaceutique (https://pharmb.io/) à l’Université d’Uppsala, en Suède. Il a obtenu une maîtrise en biotechnologie de l’Université autonome de Barcelone, en Catalogne, et un doctorat en sciences de la vie de l’université de Leiden, aux Pays-Bas. Après un postdoc de 2 ans au Centre Médical de l’Université de Leiden, il obtient une bourse Marie Curie et s’installe en Suède, pour un deuxième postdoc au Karolinska Institutet de Stockholm. Avant de transférer ses recherches à l’Université d’Uppsala, il co-dirigeait le groupe de thérapie contre le cancer, axé sur la découverte de médicaments phénotypiques, également au Karolinska Institutet. Jordi Carreras-Puigvert est également directeur scientifique de Phenaros Pharmaceuticals (https://www.phenaros.com), une startup axée sur l’IA dans la découverte de médicaments. Le groupe de recherche pharmb.io est pionnier dans l’utilisation du profilage morphologique basé sur la peinture cellulaire pour prédire le mécanisme d’action, ainsi que pour la découverte universitaire de médicaments. En tant que CSO de Phenaros, Carreras-Puigvert se concentre sur l’exploitation de la plateforme de découverte de médicaments de l’entreprise en tirant parti de la phénomique, de l’IA et de l’automatisation.