Les chercheurs du Wilmer Eye Institute, Johns Hopkins Medicine affirment avoir utilisé des modèles d’intelligence artificielle et des algorithmes d’apprentissage automatique pour prédire avec succès quels composants d’acides aminés qui composent les protéines thérapeutiques sont les plus susceptibles de délivrer en toute sécurité des médicaments thérapeutiques aux cellules oculaires animales.
Le projet, une collaboration avec des chercheurs de l’Université du Maryland, est prometteur pour faire progresser de nouveaux traitements médicamenteux plus tolérables pour les maladies oculaires chroniques aveuglantes courantes, notamment le glaucome et la dégénérescence maculaire, qui touchent 3 millions et environ 20 millions de personnes aux États-Unis, respectivement. Les thérapies médicamenteuses actuelles pour ces maladies, consistant en plusieurs gouttes oculaires quotidiennes ou en injections oculaires fréquentes, sont efficaces, mais de tels systèmes d’administration peuvent être difficiles à maintenir et à tolérer dans le temps, et ont encouragé les efforts scientifiques pour développer des systèmes d’administration qui se lieraient aux composants de l’œil. cellules et étendre en toute sécurité l’impact thérapeutique des médicaments qu’elles transportent.
En 2020, la Food and Drug Administration a approuvé un dispositif implantable qui peut être placé dans l’œil et libérer des médicaments pour traiter le glaucome. Bien que cet appareil ait fonctionné pendant des périodes plus longues que les gouttes ou les injections, il a été démontré dans certains cas qu’une utilisation prolongée provoquait la mort des cellules oculaires, obligeant les patients à revenir aux gouttes oculaires et aux injections.
Publié le 2 mai dans Communication Nature, la nouvelle recherche a montré que les modèles conçus par l’intelligence artificielle prédisaient avec précision une séquence efficace d’acides aminés, également connus sous le nom de peptides ou de petites protéines, qui se lieraient à un produit chimique particulier dans les cellules oculaires de lapin et distribueraient des médicaments en toute sécurité sur plusieurs semaines, réduisant ainsi le besoin pour des programmes de traitement fréquents et stricts. L’équipe a spécifiquement étudié les peptides qui se lient à la mélanine, un composé qui donne de la couleur à l’œil mais qui a l’avantage d’être largement présent dans les structures spécialisées des cellules oculaires.
L’équipe de recherche a noté que d’autres études portant sur l’administration de médicaments à l’aide de peptides ont montré à quel point ce système peut être efficace, mais ils voulaient trouver des peptides qui se lieraient fortement à un composé oculaire répandu. Pour ce faire, l’équipe a estimé que l’apprentissage automatique rapide utilisant des méthodes d’intelligence artificielle pourrait aider à trier et à prédire une séquence peptidique efficace à essayer, selon Laura Ensign, Ph.D., professeure d’ophtalmologie Marcella E. Woll au Johns Hopkins University School of Medicine et co-auteur correspondant de l’article.
L’équipe a commencé par alimenter un modèle d’apprentissage automatique de milliers de points de données, y compris les caractéristiques des séquences d’acides aminés et de peptides. Ces données ont aidé le modèle informatique à « apprendre » les propriétés chimiques et de liaison de certaines combinaisons d’acides aminés et, avec le temps, à prédire les séquences peptidiques candidates pour l’administration de médicaments à l’aide de mélanine.
Le modèle d’intelligence artificielle a généré 127 peptides dont on prévoyait qu’ils auraient une capacité variable à pénétrer les cellules spécialisées qui abritent la mélanine, à se lier à la mélanine et à être non toxiques pour les cellules. Sur ces 127 peptides, le modèle a prédit qu’un peptide appelé HR97 avait le taux de réussite de liaison le plus élevé. L’équipe a également confirmé les propriétés de ces peptides, y compris une meilleure absorption et liaison dans les cellules ainsi qu’aucune indication de mort cellulaire.
Pour tester la prédiction du modèle, les chercheurs ont attaché HR97 au médicament brimonidine, qui est utilisé pour traiter le glaucome en abaissant la pression oculaire interne, et l’ont injecté dans les yeux de lapins adultes. Pour déterminer les performances du HR97, les chercheurs ont mesuré les niveaux de brimonidine dans les cellules oculaires en testant les concentrations cellulaires du médicament après l’administration du système d’administration de médicament expérimental. Ils ont découvert que de grandes quantités de brimonidine étaient présentes jusqu’à un mois, ce qui indique que le HR97 a réussi à pénétrer les cellules, à se lier à la mélanine et à libérer le médicament sur une plus longue période. Les chercheurs ont également confirmé que l’effet d’abaissement de la pression oculaire de la brimonidine a duré jusqu’à 18 jours lorsqu’il est lié au HR97, et n’ont trouvé aucune indication d’irritation dans les yeux des lapins.
Ensign indique que les futures études utilisant l’intelligence artificielle pour prédire les peptides pour l’administration de médicaments ont d’énormes ramifications pour d’autres conditions impliquant la mélanine et peuvent être étendues au ciblage d’autres structures spécialisées.
Nous croyons que nous sommes sur la bonne voie pour trouver des solutions en essayant d’améliorer les soins aux patients et la qualité de vie à l’aide de systèmes d’administration de médicaments. Le but ultime est de créer quelque chose que nous pouvons traduire hors du laboratoire et réellement améliorer la vie des gens. »
Laura Ensign, Ph.D., professeur d’ophtalmologie Marcella E. Woll à la Johns Hopkins University School of Medicine
À l’avenir, dit Ensign, les chercheurs devront trouver des moyens de prolonger davantage la durée d’action, de tester le taux de réussite des prédictions d’administration de médicaments du modèle d’IA avec d’autres médicaments et de déterminer la sécurité chez l’homme.
Les autres chercheurs impliqués dans l’étude sont Henry Hsueh, Usha Rai, Wathsala Liyanage, Yoo Chun Kim, Matthew Appell, Jahnavi Pejavar, Kirby Leo, Charlotte Davison, Patricia Kolodziejski, Ann Mozzer, HyeYoung Kwon, Maanasa Sista, Sri Vishnu Kiran Rompicharla, Malia Edwards, Ian Pitha et Justin Hanes de l’École de médecine de l’Université Johns Hopkins ; Nicole Anders et Avelina Hemingway du Johns Hopkins Sidney Kimmel Comprehensive Cancer Center; et Renee Ti Chou et Michael Cummings de l’Université du Maryland.
