Dans une récente revue publiée dans Science, les chercheurs ont discuté du rôle de l’intelligence artificielle (IA) dans la prévention des épidémies de maladies infectieuses et des futures pandémies.
Étude: Tirer parti de l’intelligence artificielle dans la lutte contre les maladies infectieuses. Crédit d’image : SomYuZu/Shutterstock.com
Sommaire
Arrière-plan
Malgré les progrès de la génétique moléculaire, de l’informatique et de la chimie pharmaceutique, les maladies infectieuses demeurent un grave problème de santé mondiale.
Une coopération multidisciplinaire sera nécessaire pour faire face aux difficultés posées par les épidémies, les pandémies et la résistance aux antibiotiques.
En combinaison avec la biologie synthétique et systémique, l’IA accélère les progrès, augmente la découverte de médicaments anti-infectieux, améliore notre compréhension de la biologie des infections et accélère la recherche diagnostique.
À propos de l’examen
Dans la présente revue, les chercheurs ont présenté les défis de la prévention des maladies infectieuses et la contribution de l’IA à la prévention des maladies.
Défis mondiaux dans la prévention des maladies infectieuses
Les défis liés à la compréhension des mécanismes biologiques sous-jacents à la maladie et à l’élaboration de mesures de prévention des infections sont essentiels pour gérer les épidémies et les nouveaux agents pathogènes comme le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2), la variole du singe, Ebola, la grippe H5N1, le virus de Marburg, Zika, la rougeole, MERS et Escherichia coli.
Les organismes pathogènes problématiques comprennent la résistance à la méthicilline Staphylococcus aureus (MRSA), résistant aux carbapénèmes Entérobactéries (CRE), résistant à la vancomycine Entérocoque (ERV), la tuberculose multirésistante (MDR-TB), les organismes bactériens sécrétant des β-lactamases à spectre étendu (BLSE) et les agents pathogènes persistants tels que Neisseria gonorrhoeae, Candida auris, T. gondiiet P. falciparum.
La gestion des antimicrobiens, le développement de nouveaux médicaments anti-infectieux et la compréhension de leurs mécanismes d’action sont essentiels pour relever ces défis.
De plus, le développement de diagnostics peu coûteux et déployables sur le terrain, l’amélioration de la précision des tests, la détection de la résistance aux antimicrobiens et la mise à disposition de traitements efficaces contre les maladies sont essentiels pour lutter contre les infections persistantes et négligées. [such as Lyme disease, chronic hepatitis B virus (HBV) and hepatitis C virus (HCV) infections, chronic mycotic infections, human immunodeficiency virus (HIV)-caused acquired immunodeficiency syndrome (AIDS), and those among individuals with poor access to health resources].
Intelligence artificielle et apprentissage automatique pour prévenir les infections
Les approches basées sur l’IA ont le potentiel d’intégrer de grandes quantités de données quantitatives et omiques, ce qui les rend particulièrement aptes à traiter la complexité biologique.
L’apprentissage automatique (ML), une sous-catégorie de l’intelligence artificielle, utilise des données pour former des machines à faire des prédictions et a contribué à faciliter les recherches dans les bases de données de petites molécules.
Les approches ML incluent des réseaux neuronaux de graphes supervisés et des modèles génératifs non supervisés. Les algorithmes d’apprentissage automatique supervisé examinent les informations structurées et non structurées sur les glycanes, les protéines, les acides nucléiques et les phénotypes cellulaires pour découvrir des caractéristiques et des structures moléculaires importantes qui régulent les interactions entre les hôtes, les agents pathogènes et les réponses du système immunitaire.
La vaccinologie inverse, qui prédit les antigènes sur la base de données immunologiques et génétiques, a été aidée par des techniques de ML supervisées comme Vaxign-ML.
Des arrangements chimiques de novo et des chaînes peptidiques sont proposés à l’aide de modèles ML génératifs, qui peuvent être produits et évalués. Le développement de médicaments peut également être facilité par des systèmes génératifs tels que GPT-4 et BioNeMo de NVIDIA, qui intègrent différents flux de données scientifiques pour améliorer notre compréhension de la dynamique biologique et chimique fondamentale.
L’IA peut prédire l’activité des médicaments anti-infectieux, les interactions médicament-cible et la conception thérapeutique. Les approches ML de la découverte de médicaments anti-infectieux se sont concentrées sur des modèles de formation pour identifier de nouveaux médicaments ou des utilisations de médicaments actuellement utilisés. L’un des principaux avantages des approches ML est qu’elles peuvent cribler virtuellement des bibliothèques de composés à grande échelle (> 109 composés) qu’il serait impossible de cribler empiriquement.
Les approches d’IA pertinentes pour la découverte de médicaments anti-infectieux comprennent des entrées telles que des criblages phénotypiques, des criblages spécifiques à des cibles et des susceptibilités anti-infectieuses ; des modèles comprenant des réseaux de neurones graphiques, des classificateurs de forêts aléatoires et des modèles explicables ; et des sorties telles que l’inhibition de la croissance, l’activité antimicrobienne et l’activité de liaison à la cible.
Les progrès récents dans la fusion de l’intelligence artificielle avec la biologie artificielle, l’analyse de l’expression génétique, l’imagerie et la spectrométrie de masse ont considérablement augmenté notre capacité à identifier les infections et à prédire la résistance aux médicaments.
Les modèles d’IA sont utilisés pour l’expression génique, la spectrométrie de masse et les diagnostics basés sur l’imagerie, et l’AST reste important pour informer l’utilisation de médicaments anti-infectieux. L’IA peut élucider la biologie de l’infection, faciliter la conception de vaccins et éclairer les stratégies de traitement anti-infectieux.
Les intrants de la biologie des infections comprennent les séquences macromoléculaires, les structures protéiques, la microscopie et la morphologie ; les modèles incluent la modélisation de réseau, la modélisation d’interaction et la modélisation de langage ; et les résultats comprennent l’immunogénicité, les interactions inter-protéines et la destruction et la fuite des agents pathogènes.
Pour la conception de vaccins, les entrées d’IA comprennent des séquences d’acides nucléiques ou de protéines, des structures de protéines et des informations de liaison à l’antigène ; les modèles incluent des modèles de type séquence-fonction, des ensembles de classificateurs et des réseaux de neurones ; et les résultats comprennent la présentation de l’antigène, l’efficacité du vaccin et l’efficacité traductionnelle.
En raison de la forte programmabilité des composants biologiques, de la synthèse régulière d’ensembles d’informations volumineux ou basés sur des séquences et de la capacité du ML à récupérer des données pertinentes à partir de systèmes biologiques et moléculaires dans les sciences biologiques des maladies, l’IA peut aider les études de biologie synthétique et le développement de Diagnostique.
Conclusion
Sur la base des résultats de l’examen, le ML et l’IA ont révolutionné la recherche sur les maladies infectieuses en analysant de grands ensembles de données et en fournissant des informations précieuses. Cependant, les défis du diagnostic comprennent la faible qualité des données, la généralisabilité limitée et les prédictions diagnostiques élevées.
Des expériences impliquant de grands ensembles de données et des ensembles de données d’analyse comparative complets sont nécessaires pour améliorer les modèles ML.
La prédiction multidimensionnelle des interactions médicamenteuses peut améliorer les options de traitement, prévoir les effets secondaires et augmenter les taux de réussite des nouveaux médicaments dans la recherche clinique.
