Le modèle d'apprentissage automatique révèle de nouvelles opportunités de conception de médicaments

14 mai 2024

Cet article a été examiné selon le processus éditorial de Science X et ses politiques. Les éditeurs ont mis en évidence les attributs suivants tout en veillant à la crédibilité du contenu :

• vérifié
• publication examinée par les pairs
• source de confiance
• relu

par le Laboratoire national de Los Alamos

Les pathogènes ne sont rien sinon adaptables, et leur capacité à se protéger contre les antibiotiques pose de plus en plus un problème de santé publique. Une équipe de recherche dirigée par le Laboratoire national de Los Alamos a utilisé l'apprentissage machine, une application de l'intelligence artificielle, pour identifier les propriétés moléculaires qui pourraient guider la découverte de nouveaux types d'antibiotiques, notamment parmi les pathogènes considérés comme critiques par l'Organisation mondiale de la santé en raison de leur forte résistance bactérienne.

Les résultats sont publiés dans la revue Communications Chemistry.

"Certains pathogènes ont des propriétés qui les rendent très efficaces pour résister aux antibiotiques", a déclaré Gnana Gnanakaran, chercheur à Los Alamos. "La découverte de composés spécifiques capables de pénétrer et d'inhiber certains pathogènes est un défi de type chercher une aiguille dans une botte de foin en raison de la vaste hétérogénéité et de la profondeur de l'espace chimique, et de la complexité des interactions moléculaires à travers les membranes bactériennes. L'approche que nous utilisons est capable de sonder les profils spécifiques au niveau moléculaire nécessaires qui peuvent être utilisés pour le développement réussi de médicaments."

Les bactéries à Gram négatif ont une membrane externe moins perméable aux composés, tels que ceux qui composent les antibiotiques, et les bactéries peuvent également expulser les composés qui parviennent à pénétrer à l'intérieur, réduisant l'efficacité d'un antibiotique.

Les modèles basés sur les données ont le potentiel d'identifier les propriétés moléculaires qui pourraient surmonter de telles défenses bactériennes, mais des calculs précis pour faire ces déterminations sont difficiles et nécessitent d'importantes ressources informatiques. Les composés chimiquement divers peuvent contenir de nombreuses propriétés pertinentes ; l'étude basée sur l'apprentissage machine a réduit le spectre pertinent de ces propriétés et a établi des règles empiriques qui prédiraient la capacité du composé à traverser la membrane externe des bactéries.

En se concentrant spécifiquement sur la bactérie à Gram négatif Pseudomonas aeruginosa, l'équipe de recherche a développé un modèle d'apprentissage machine pour identifier les descripteurs pertinents associés aux composés et prédire le succès de ces composés à traverser les membranes externes des bactéries et à éviter l'expulsion. L'équipe a utilisé les capacités de calcul haute performance à Los Alamos pour extraire les propriétés moléculaires de la perméation à partir de simulations qui ont pris en compte 1 260 composés chimiquement divers lorsqu'ils traversent la membrane bactérienne.

Leur analyse jette un nouvel éclairage sur les propriétés clés dont les candidats médicamenteux ont besoin pour traverser efficacement Pseudomonas aeruginosa, et ouvre la voie à des études similaires basées sur les données dans d'autres pathogènes à Gram négatif.

"Les techniques d'apprentissage machine que nous avons utilisées dans cette analyse indiquent une approche prometteuse pour des études similaires basées sur les données dans d'autres membranes biologiques, y compris la barrière hémato-encéphalique", a déclaré Gnanakaran.

Informations sur la revue : Communications Chemistry

Fourni par le Laboratoire national de Los Alamos