Les algorithmes d'intelligence artificielle ont maintenant été combinés avec des méthodes de laboratoire traditionnelles pour découvrir des mèches de médicaments prometteurs contre l'entérovirus humain 71 (EV71), l'agent pathogène derrière la plupart des cas de maladie de la main, de la pied et de la bouche. L'étude, publiée aujourd'hui dans Cell rapporte les sciences physiques Par des chercheurs de la Perelman School of Medicine de l'Université de Pennsylvanie, ont montré que des prédictions antivirales fiables peuvent être faites même lorsque seule une modeste quantité de données expérimentales est disponible.
L'IA rationalise le processus de recherche
En utilisant un panneau initial de 36 petites molécules, les enquêteurs ont formé un modèle d'apprentissage automatique pour repérer certaines formes et caractéristiques chimiques qui aident à arrêter les virus, marquant la probabilité de chaque composé de bloquer EV71. Les auteurs ont mis leur liste restreinte choisie par l'IA à l'épreuve: sur huit composés, cinq ont ralenti avec succès le virus dans les expériences cellulaires, dix fois plus de coups sûrs que les méthodes de dépistage traditionnelles.
« Nous effondreons ce qui était auparavant des mois d'essai et d'erreur en jours », a déclaré César de la Fuente, PhD, professeur agrégé de psychiatrie, microbiologie, bio-ingénierie, génie chimique et biomoléculaire et chimie. « L'approche est particulièrement puissante lorsque le temps, le budget ou d'autres contraintes limitent la quantité de données que vous pouvez générer à l'avance. »
Les infections à EV71 peuvent passer d'une éruption cutanée légère et de fièvre aux complications neurologiques graves, en particulier chez les enfants de moins de sept ans et des adultes immunodéprimés. Aucun antiviral approuvé par la FDA ne cible actuellement le virus.
Les cinq résultats confirmés ont été testés à l'aide de simulations informatiques, qui ont montré qu'elles collaient à certains endroits du virus, des résultats qui pourraient aider les futurs chercheurs à empêcher le virus de changer la forme et d'entrer dans les cellules.
Nous voyons cela comme un modèle pour une découverte antivirale rapide. Que la prochaine menace soit un autre entérovirus, un pathogène respiratoire émergent ou un virus réémergent comme la polio, notre méthode dirigée par l'IA montre que, même avec des données limitées, l'apprentissage automatique peut accélérer le développement de solutions efficaces et générer une réponse rapide aux futures épidémies. «
Angela Cesaro, PhD, chercheur postdoctoral, co-auteur de l'étude
Le travail comprenait une collaboration avec la Procter & Gamble et l'Université Cornell. La recherche rapportée dans cette publication a été soutenue par le Langer Prize (AICHE Foundation), le NIH R35GM138201, DTRA HDTRA1-21-1-0014 et NIAID NIH R01AI149487. Les chiffres créés avec Biorerender.com sont attribués comme tels. Les molécules ont été rendues en utilisant le système graphique moléculaire Pymol, version 3.1.1 Schrödinger, LLC.
Cesar de la Fuente-Nunez est co-fondateur de et conseiller scientifique, à Peptaris, Inc., fournit des services de conseil aux sciences invaio, et est membre des conseils consultatifs scientifiques de Now de SL, Peptidus, European Biotech Venture Builder, The Peptide Drug Hunting Consortium (PDHC), Epchective Therapeutics, Inc. Le De La Fuente Lab a reçu un financement de recherche ou des dons en nature de United Therapeutics, Strata Manufacturing PJSC et Procter & Gamble; Cependant, seul le soutien de Procter & Gamble a été utilisé dans ce travail. Une divulgation d'invention associée à ce travail a été déposée.
