del.icio.us
Imprimer
Digg
Facebook
L'utilisation de l'intelligence artificielle (IA) est en train de changer la donne dans le domaine de la médecine. La technologie vient de permettre à des scientifiques de découvrir les premiers nouveaux antibiotiques depuis 60 ans.
Cette découverte d'un nouveau composé capable d'éliminer une bactérie résistante aux médicaments qui tue chaque année des milliers de personnes dans le monde pourrait marquer un tournant dans la lutte contre la résistance aux antibiotiques.
"L'idée était d'évaluerla capacité des modèles à prédire que certaines molécules seraient de bons antibiotiques", déclare James Collins, professeur d'ingénierie médicale et de sciences au Massachusetts Institute of Technology (MIT) et l'un des auteurs de l'étude, dans un communiqué.
"Notre travail fournit un cadre qui permet d'économiser du temps et des ressources et qui est capable d'analyser la composition, du point de vue de la structure chimique, d'une manière que nous n'avions pas jusqu'à présent".
Les résultats ont été publiés aujourd'hui dans Nature et cosignés par une équipe de 21 chercheurs.
L'étude vise à "ouvrir la boîte noire"
L'équipe à l'origine du projet a utilisé un modèle d'apprentissage profond ("deep learning") pour prédire l'activité et la toxicité du nouveau composé.
L'apprentissage profond implique l'utilisation de réseaux neuronaux artificiels, qui permettent à une IA d'apprendre et de découvrir de nouvelles idées à partir de données sans programmation explicite.
Il est de plus en plus souvent appliqué à la recherche médicale afin d'accélérer l'identification de médicaments candidats potentiels, de prédire leurs propriétés et d'optimiser leur processus de développement.
Dans le cas présent, les chercheurs se sont concentrés sur le staphylocoque doré résistant à la méthicilline (SARM).
Les infections à SARM peuvent aller d'infections cutanées bénignes à des affections plus graves et potentiellement mortelles telles que la pneumonie et les infections sanguines.
Selon le Centre européen de prévention et de contrôle des maladies (ECDC), près de 150 000 infections à SARM se produisent chaque année dans l'Union européenne et près de 35 000 personnes meurent chaque année dans l'Union d'infections résistantes aux antimicrobiens.
L'équipe de chercheurs du MIT a utilisé un modèle d'apprentissage profond considérablement élargi à l'aide d'un immense ensemble de données.
Pour créer les données d'entraînement,environ 39 000 composés ont été évalués pour leur activité antibiotique contre le SARM. Par la suite, les données résultantes et les détails concernant les structures chimiques des composés ont été introduits dans le modèle.
"Ce que nous avons voulu faire dans cette étude, c'est ouvrir la boîte noire. Ces modèles consistent en un très grand nombre de calculs qui imitent les connexions neuronales, et personne ne sait vraiment ce qui se passe sous le capot", déclare Felix Wong, chercheur postdoctoral au MIT et à Harvard et l'un des principaux auteurs de l'étude.
Découvrir un nouveau composé
Pour affiner la sélection des médicaments potentiels, les chercheurs ont utilisé trois autres modèles d'apprentissage profond. Ces modèles ont été entraînés à évaluer la toxicité des composés sur trois types distincts de cellules humaines.
En intégrant ces prédictions de toxicité à l'activité antimicrobienne précédemment déterminée, les chercheurs ont mis en évidence des composés capables de combattre efficacement les microbes avec un minimum de dommages pour le corps humain.
À l'aide de cet ensemble de modèles, environ 12 millions de composés disponibles dans le commerce ont été passés au crible.
Ces modèles ont permis d'identifier des composés appartenant à cinq catégories différentes, classées en fonction de sous-structures chimiques spécifiques au sein des molécules, qui manifestent un certain type d'activité contre le SARM.
Par la suite, les chercheurs ont acquis environ 280 de ces composés et les ont testés contre le SARM en laboratoire. Cette approche leur a permis d'identifier deux candidats antibiotiques prometteurs appartenant à la même classe.
Dans des expériences impliquant deux modèles de souris - l'un pour une infection cutanée à SARM et l'autre pour une infection systémique à SARM - chacun de ces composés a divisé par 10 la population de SARM dans les hôtes.
