Une nouvelle classe d’antibiotiques pour la bactérie Staphylococcus aureus (SARM) résistante aux médicaments, découverte à l’aide de modèles d’apprentissage profond plus transparents.
L’utilisation de l’intelligence artificielle (IA) s’avère changer la donne en matière de médecine, la technologie aidant désormais les scientifiques à découvrir les premiers nouveaux antibiotiques depuis 60 ans.
La découverte d’un nouveau composé capable de tuer une bactérie résistante aux médicaments qui tue des milliers de personnes chaque année dans le monde pourrait s’avérer être un tournant dans la lutte contre la résistance aux antibiotiques.
« L’idée ici était que nous pouvions voir ce que les modèles apprenaient pour faire leurs prédictions selon lesquelles certaines molécules constitueraient de bons antibiotiques », a déclaré James Collins, professeur de génie médical et de sciences au Massachusetts Institute of Technology (MIT). des auteurs de l’étude, a déclaré dans un communiqué.
« Notre travail fournit un cadre qui permet d’économiser du temps, des ressources et des connaissances mécanistiques, du point de vue de la structure chimique, d’une manière que nous n’avons pas eu jusqu’à présent ».
Les résultats ont été publiés dans Nature et co-écrits par une équipe de 21 chercheurs.
Une étude visant à « ouvrir la boîte noire »
L’équipe à l’origine du projet a utilisé un modèle d’apprentissage en profondeur pour prédire l’activité et la toxicité du nouveau composé.
L’apprentissage profond implique l’utilisation de réseaux de neurones artificiels pour apprendre et représenter automatiquement des caractéristiques à partir de données sans programmation explicite.
Elle est de plus en plus appliquée à la découverte de médicaments pour accélérer l’identification de candidats médicaments potentiels, prédire leurs propriétés et optimiser le processus de développement de médicaments.
Dans ce cas, les chercheurs se sont concentrés sur le Staphylococcus aureus résistant à la méthicilline (SARM).
Les infections par le SARM peuvent aller d’infections cutanées bénignes à des affections plus graves et potentiellement mortelles telles que la pneumonie et les infections du sang.
Près de 150 000 infections à SARM surviennent chaque année dans l’Union européenne, tandis que près de 35 000 personnes meurent chaque année dans le bloc d’infections résistantes aux antimicrobiens, selon le Centre européen de prévention et de contrôle des maladies (ECDC).
L’équipe de chercheurs du MIT a formé un modèle d’apprentissage profond considérablement élargi à l’aide d’ensembles de données étendus.
Pour créer les données de formation, 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 avions décidé de faire dans cette étude était d’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 », a déclaré 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 de médicaments potentiels, les chercheurs ont utilisé trois modèles supplémentaires d’apprentissage en profondeur. Ces modèles ont été formés pour évaluer la toxicité des composés sur trois types distincts de cellules humaines.
En intégrant ces prévisions de toxicité à l’activité antimicrobienne précédemment déterminée, les chercheurs ont identifié 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 examinés.
Les modèles ont identifié des composés de cinq classes différentes, classés en fonction de sous-structures chimiques spécifiques au sein des molécules, qui présentaient une activité prévue contre le SARM.
Par la suite, les chercheurs ont acquis environ 280 de ces composés et ont mené des tests contre le SARM en laboratoire. Cette approche les a amenés à identifier deux candidats antibiotiques prometteurs de la même classe.
Dans des expériences impliquant deux modèles de souris – un pour l’infection cutanée à SARM et un autre pour l’infection systémique à SARM – chacun de ces composés a réduit la population de SARM d’un facteur 10.
