Des scientifiques de l’Université de Virginie ont développé une nouvelle approche de l’apprentissage automatique – une forme d’intelligence artificielle – pour identifier des médicaments qui aident à minimiser les cicatrices nocives après une crise cardiaque ou d’autres blessures.
Jeff Saucerman, PhD. Crédit d’image : Université de Virginie
Le nouvel outil d’apprentissage automatique a déjà trouvé un candidat prometteur pour aider à prévenir les cicatrices cardiaques nocives d’une manière distincte des médicaments précédents. Les chercheurs de l’UVA affirment que leur modèle informatique de pointe a également le potentiel de prédire et d’expliquer les effets des médicaments contre d’autres maladies.
« De nombreuses maladies courantes telles que les maladies cardiaques, les maladies métaboliques et le cancer sont complexes et difficiles à traiter.», a déclaré le chercheur Anders R. Nelson, PhD, biologiste computationnel et ancien étudiant du laboratoire de Jeffrey J. Saucerman, PhD de l’UVA. « L’apprentissage automatique nous aide à réduire cette complexité, à identifier les facteurs les plus importants qui contribuent à la maladie et à mieux comprendre comment les médicaments peuvent modifier les cellules malades..»
À lui seul, l’apprentissage automatique nous aide à identifier les signatures cellulaires produites par les médicaments. Relier l’apprentissage automatique et l’apprentissage humain nous a aidé non seulement à prédire les médicaments contre la fibrose [scarring] mais aussi expliquer comment ils fonctionnent. Ces connaissances sont nécessaires pour concevoir des essais cliniques et identifier les effets secondaires potentiels.
Jeffrey J. Saucerman, PhD., Département de génie biomédical de l’UVA, un programme conjoint de l’École de médecine et de l’École d’ingénierie
Le pouvoir de combiner l’apprentissage humain et l’apprentissage automatique
Saucerman et son équipe ont combiné un modèle informatique basé sur des décennies de connaissances humaines avec l’apprentissage automatique pour mieux comprendre comment les médicaments affectent les cellules appelées fibroblastes. Ces cellules aident à réparer le cœur après une blessure en produisant du collagène et en contractant la plaie. Mais ils peuvent également provoquer des cicatrices nocives, appelées fibrose, dans le cadre du processus de réparation. Saucerman et son équipe voulaient voir si une sélection de médicaments prometteurs donnerait aux médecins plus de capacité à prévenir les cicatrices et, à terme, améliorerait les résultats pour les patients.
Les tentatives précédentes visant à identifier des médicaments ciblant les fibroblastes se sont concentrées uniquement sur certains aspects du comportement des fibroblastes, et le fonctionnement de ces médicaments reste souvent flou. Ce manque de connaissances constitue un défi majeur dans le développement de traitements ciblés contre la fibrose cardiaque. Ainsi, Saucerman et ses collègues ont développé une nouvelle approche appelée « apprentissage automatique mécaniste basé sur la logique » qui prédit non seulement les médicaments, mais également la manière dont ils affectent le comportement des fibroblastes.
Ils ont commencé par examiner l’effet de 13 médicaments prometteurs sur les fibroblastes humains, puis ont utilisé ces données pour entraîner le modèle d’apprentissage automatique afin de prédire les effets des médicaments sur les cellules et leur comportement. Le modèle a pu prédire une nouvelle explication de la façon dont le médicament pirfénidone, déjà approuvé par la Food and Drug Administration fédérale pour la fibrose pulmonaire idiopathique, supprime les fibres contractiles à l’intérieur du fibroblaste qui raidissent le cœur. Le modèle a également prédit comment un autre type de fibre contractile pourrait être ciblé par l’inhibiteur expérimental de Src WH4023, qu’ils ont validé expérimentalement avec des fibroblastes cardiaques humains.
Des recherches supplémentaires sont nécessaires pour vérifier que les médicaments fonctionnent comme prévu sur des modèles animaux et des patients humains, mais les chercheurs de l’UVA affirment que leurs recherches suggèrent que l’apprentissage automatique mécaniste représente un outil puissant pour les scientifiques cherchant à découvrir les causes et effets biologiques. Selon eux, les nouvelles découvertes témoignent du grand potentiel de la technologie pour faire progresser le développement de nouveaux traitements, non seulement pour les lésions cardiaques, mais pour de nombreuses maladies.
« Nous sommes impatients de tester si la pirfénidone et le WH4023 suppriment également la contraction des fibroblastes des cicatrices dans des modèles animaux précliniques.« , a déclaré Saucerman. « Nous espérons que cela fournit un exemple de la façon dont l’apprentissage automatique et l’apprentissage humain peuvent travailler ensemble pour non seulement découvrir mais aussi comprendre le fonctionnement de nouveaux médicaments.
Résultats publiés
Les chercheurs ont publié leurs résultats dans la revue scientifique PNAS, the Proceedings of the National Academy of Sciences. L’équipe de recherche était composée de Nelson, Steven L. Christiansen, Kristen M. Naegle et Saucerman. Les scientifiques n’ont aucun intérêt financier dans leurs travaux.
La recherche a été financée par les National Institutes of Health, subventions HL137755, HL007284, HL160665, HL162925 et 1S10OD021723-01A1.
