Des chercheurs de l’Université d’Auburn, en collaboration avec des scientifiques de l’Université de Bâle et de l’ETH Zurich, ont réalisé une avancée dans la lutte contre le cancer. L’équipe, dirigée par le Dr Rafael Bernardi, professeur associé de biophysique au Département de physique, a développé une nouvelle approche intégrant l’intelligence artificielle (IA) aux simulations de dynamique moléculaire et à l’analyse de réseau pour améliorer la prédiction des sites de liaison sur la protéine PD-L1. Cette avancée promet d’accélérer le développement de traitements personnalisés contre le cancer en identifiant les points d’interaction critiques dans les protéines liées au cancer.
Leur travail, publié dans le Journal de la Société américaine de chimie, L’équipe de recherche s’intéresse à la manière dont les protéines thérapeutiques interagissent avec PD-L1, une protéine connue pour aider les cellules cancéreuses à échapper à la détection du système immunitaire. Leurs résultats pourraient contribuer à améliorer les immunothérapies, telles que le pembrolizumab (Keytruda), qui révolutionnent déjà le traitement du cancer.
« L’utilisation d’outils informatiques pour concevoir des protéines représente la prochaine frontière dans le domaine thérapeutique du cancer », a déclaré le Dr Bernardi. « Notre approche intégrée combinant l’IA, la dynamique moléculaire et l’analyse de réseau recèle un immense potentiel pour le développement de thérapies personnalisées pour les patients atteints de cancer. »
Cartographier l’avenir du traitement du cancer
L’un des plus grands défis en matière de thérapie contre le cancer est de prédire avec précision où un médicament peut se lier à sa protéine cible. Dans ce cas, les chercheurs se sont concentrés sur PD-L1, une protéine de point de contrôle que les cancers exploitent pour supprimer le système immunitaire. En bloquant PD-L1, certains médicaments modernes libèrent le système immunitaire pour attaquer les tumeurs. Cependant, comprendre où exactement cibler PD-L1 avec de nouveaux traitements est un problème de longue date.
Le Dr Bernardi et son équipe ont développé une méthode sophistiquée qui combine des outils d’IA basés sur AlphaFold2 avec des simulations de dynamique moléculaire et une analyse de réseau dynamique. Leur approche leur a permis de prédire et de confirmer les régions de liaison clés de la protéine PD-L1 qui sont essentielles à l’interaction médicamenteuse.
« Ce travail met en évidence l’importance de la collaboration entre l’équipe informatique de l’Université d’Auburn et les efforts de validation expérimentale de nos collègues de l’Université de Bâle et de l’ETH Zurich, en Suisse, qui permettent des avancées dans le domaine », a déclaré le Dr Diego Gomes, auteur principal des travaux et chercheur à Auburn.
L’approche computationnelle a été validée à l’aide de techniques expérimentales de pointe, notamment la spectrométrie de masse à liaison croisée et le séquençage de nouvelle génération. Ces expériences ont confirmé l’exactitude des prédictions de l’équipe, démontrant la puissance de la combinaison de modèles informatiques et de validation expérimentale pour démêler les interactions complexes entre protéines.
Impact et orientations futures
Les implications de cette étude vont bien au-delà de PD-L1. Les méthodes développées peuvent être appliquées à de nombreuses autres protéines, ce qui pourrait conduire à la découverte de nouvelles cibles thérapeutiques pour diverses maladies, notamment d’autres types de cancer et de maladies auto-immunes. De plus, cette recherche ouvre la voie à un développement plus rentable et plus rapide de thérapies, un domaine dans lequel les méthodes expérimentales traditionnelles peuvent être lentes et coûteuses.
« Cette recherche souligne le potentiel des outils informatiques tels que NAMD et VMD, combinés à du matériel de pointe comme les systèmes NVIDIA DGX, pour faire progresser les thérapies contre le cancer. Nos résultats marquent une étape importante vers le développement de nouveaux traitements ciblés contre le cancer », a ajouté Gomes.
Plus d’informations :
Diego EB Gomes et al, Intégration de l’analyse de réseau dynamique avec l’IA pour une meilleure prédiction des épitopes dans les interactions PD-L1:Affibody, Journal de la Société américaine de chimie (2024). DOI: 10.1021/jacs.4c05869