Identifier si et comment une nanoparticule et une protéine se lieront l’une à l’autre est une étape importante pour pouvoir concevoir des antibiotiques et des antiviraux à la demande, et un modèle informatique développé à l’Université du Michigan peut le faire.
Le nouvel outil pourrait aider à trouver des moyens d’arrêter les infections résistantes aux antibiotiques et les nouveaux virus, et aider à la conception de nanoparticules à des fins différentes.
« Rien qu’en 2019, le nombre de personnes décédées de la résistance aux antimicrobiens était de 4,95 millions. Même avant COVID, qui a aggravé le problème, des études ont montré que d’ici 2050, le nombre de décès par résistance aux antibiotiques sera de 10 millions », a déclaré Angela Violi, professeur Arthur F. Thurnau de génie mécanique et auteur correspondant de l’étude qui a fait la couverture de Nature Computational Science.
Dans mon scénario idéal, d’ici 20 ou 30 ans, j’aimerais, étant donné n’importe quel superbactérie, pouvoir produire rapidement les meilleures nanoparticules capables de le traiter.
Angela Violi, professeur Arthur F. Thurnau, génie mécanique, Université du Michigan
Une grande partie du travail au sein des cellules est effectuée par des protéines. Les sites d’interaction sur leurs surfaces peuvent assembler des molécules, les séparer et effectuer d’autres modifications – ouvrir des portes dans les cellules, décomposer les sucres pour libérer de l’énergie, construire des structures pour soutenir des groupes de cellules et plus encore. Si nous pouvions concevoir des médicaments qui ciblent des protéines cruciales dans les bactéries et les virus sans nuire à nos propres cellules, cela permettrait aux humains de lutter rapidement contre les maladies nouvelles et changeantes.
Le nouveau modèle, nommé NeCLAS, utilise l’apprentissage automatique, la technique d’IA qui alimente l’assistant virtuel sur votre smartphone et ChatGPT. Mais au lieu d’apprendre à traiter le langage, il absorbe des modèles structurels de protéines et leurs sites d’interaction connus. À partir de ces informations, il apprend à extrapoler comment les protéines et les nanoparticules pourraient interagir, à prédire les sites de liaison et la probabilité de liaison entre eux, ainsi qu’à prédire les interactions entre deux protéines ou deux nanoparticules.
« D’autres modèles existent, mais le nôtre est le meilleur pour prédire les interactions entre les protéines et les nanoparticules », a déclaré Paolo Elvati, chercheur associé à l’UM en génie mécanique.
AlphaFold, par exemple, est un outil largement utilisé pour prédire la structure 3D d’une protéine basée sur ses blocs de construction, appelés acides aminés. Bien que cette capacité soit cruciale, ce n’est que le début : découvrir comment ces protéines s’assemblent en structures plus grandes et concevoir des systèmes pratiques à l’échelle nanométrique sont les prochaines étapes.
« C’est là qu’intervient NeCLAS », a déclaré Jacob Saldinger, étudiant au doctorat en génie chimique à l’UM et premier auteur de l’étude. « Cela va au-delà d’AlphaFold en montrant comment les nanostructures vont interagir les unes avec les autres, et cela ne se limite pas aux protéines. Cela permet aux chercheurs de comprendre les applications potentielles des nanoparticules et d’optimiser leurs conceptions.
L’équipe a testé trois études de cas pour lesquelles elle disposait de données supplémentaires :
- Pince à épiler moléculaire, dans laquelle une molécule se lie à un site particulier sur une autre molécule. Cette approche peut arrêter des processus biologiques nocifs, tels que l’agrégation de plaques de protéines dans des maladies du cerveau comme la maladie d’Alzheimer.
- Comment les points quantiques de graphène brisent le biofilm produit par les bactéries staphylocoques. Ces nanoparticules sont des flocons de carbone, pas plus de quelques couches atomiques d’épaisseur et 0,0001 millimètre de côté. La rupture des biofilms est probablement un outil crucial dans la lutte contre les infections résistantes aux antibiotiques, y compris le superbug Staphylococcus aureus résistant à la méthicilline (SARM), couramment contracté dans les hôpitaux.
- Si les points quantiques de graphène se disperseraient dans l’eau, démontrant la capacité du modèle à prédire la liaison nanoparticule-nanoparticule même s’il avait été formé exclusivement sur des données protéine-protéine.
Alors que de nombreux modèles protéine-protéine définissent les acides aminés comme la plus petite unité que le modèle doit prendre en compte, cela ne fonctionne pas pour les nanoparticules. Au lieu de cela, l’équipe a fixé la taille de cette plus petite caractéristique à peu près à la taille de l’acide aminé, mais a ensuite laissé le modèle informatique décider où se trouvaient les limites entre ces caractéristiques minimales. Le résultat est des représentations de protéines et de nanoparticules qui ressemblent un peu à des collections de perles interconnectées, offrant plus de flexibilité dans l’exploration des interactions à petite échelle.
« En plus d’être plus général, NeCLAS utilise également beaucoup moins de données d’entraînement qu’AlphaFold. Nous n’avons que 21 nanoparticules à examiner, nous devons donc utiliser les données sur les protéines de manière intelligente », a déclaré Matt Raymond, doctorant à l’UM en génie électrique et informatique et co-auteur de l’étude.
Ensuite, l’équipe compte explorer d’autres biofilms et micro-organismes, dont des virus.
L’étude Nature Computational Science a été financée par l’Université du Michigan Blue Sky Initiative, le Army Research Office et la National Science Foundation.
Violi est également professeur de génie électrique et informatique, de génie chimique et de biophysique.
