Les chercheurs ont développé un nouveau cadre informatique qui est prometteur dans le travail de découverte de nouveaux médicaments. Leur cadre utilise une méthode d’intelligence artificielle appelée réseau neuronal convolutif pour fournir des informations globales sur de nouveaux candidats-médicaments potentiels.
L’équipe de recherche de l’Université de Wuhan a publié ses découvertes dans la revue Exploration et analyse de mégadonnées le 24 novembre 2022.
L’équipe a développé un cadre d’intégration d’empreintes digitales pour la prédiction de l’affinité de liaison médicament-cible (FingerDTA), avec la capacité de trouver de nouveaux médicaments candidats. Les empreintes digitales (descripteurs) du médicament et des cibles sont calculées. Ces cibles sont des molécules qui sont liées d’une certaine manière à la maladie – les cibles peuvent être utiles dans la manière dont les médicaments sont utilisés pour combattre une maladie particulière.
Ensuite, l’équipe a utilisé les informations générales de l’empreinte digitale d’un médicament ou d’une cible dans un modèle de réseau neuronal convolutif et a promu ses performances dans la prédiction de l’affinité de liaison médicament-cible. FingerDTA est un modèle puissant pour la découverte de nouveaux médicaments.
La découverte traditionnelle de médicaments in vivo, où les chercheurs travaillent avec des sujets vivants pour trouver de nouveaux médicaments pour lutter contre les maladies, est un processus long et coûteux. Les chercheurs peuvent utiliser la présélection virtuelle de médicaments potentiels pour guider leurs expériences. Ce processus virtuel peut réduire les coûts et améliorer le taux de réussite dans la découverte du bon médicament.
Les chercheurs ont largement utilisé deux méthodes de criblage virtuel pour la découverte de médicaments. Une méthode est le criblage à haut débit, où de grandes bibliothèques de composés sont testées en peu de temps. Une autre méthode implique des stratégies basées sur l’amarrage moléculaire simulé, où ils étudient comment deux ou plusieurs structures moléculaires s’emboîtent, prédisant comment une protéine interagit avec de petites molécules.
Bien que ces deux méthodes aient été utilisées avec succès dans la découverte de médicaments, elles nécessitent une conception et une vérification expérimentales approfondies, ce qui les rend inadaptées au criblage de médicaments à grande échelle.
Une troisième méthode utilise des modèles de prédiction d’affinité médicament-cible, où les scientifiques recherchent une forte attraction entre le médicament et la cible comme moyen d’identifier les médicaments qui pourraient être des candidats pour le traitement d’une maladie. Cette troisième méthode présente de grands avantages en termes d’efficacité et de coût. Les scientifiques ont pu appliquer avec succès des réseaux de neurones profonds pour prédire l’affinité de liaison médicament-cible. Par conséquent, l’équipe de recherche de l’Université de Wuhan a concentré ses travaux sur un modèle d’apprentissage en profondeur pour la prédiction de l’affinité de liaison médicament-cible.
L’évolutivité est un problème majeur lorsque des algorithmes complexes sont utilisés pour analyser un ensemble de données volumineuses en téraoctets ou au-delà sur un cluster ou un cloud. Le modèle de programmation de type MapReduce largement utilisé est souvent utilisé pour traiter de grandes quantités de données sur des centaines ou des milliers de serveurs. Mais MapReduce n’est pas évolutif pour les mégadonnées en raison de sa dépendance à la mémoire et des coûts de communication élevés. L’équipe de recherche a proposé un cadre informatique non-MapReduce pour améliorer l’évolutivité de l’informatique en cluster sur le Big Data. Leur cadre réduit le coût de communication des données et permet un calcul approximatif, moins dépendant de la mémoire.
« Ce nouveau cadre informatique génère également quelques avantages dans le calcul du Big Data, tels que l’échantillonnage rapide de plusieurs échantillons aléatoires pour l’apprentissage automatique d’ensemble et le calcul approximatif, l’exécution directe d’algorithmes en série sur des échantillons aléatoires locaux sans communication de données entre les nœuds et la facilitation de l’exploration du Big Data. En outre, l’informatique non-MapReduce simplifie le calcul des mégadonnées et peut économiser de l’énergie dans le cloud computing », a déclaré Juan Liu, professeur à l’École d’informatique de l’Université de Wuhan.
L’équipe de recherche pense que la prédiction de l’affinité de liaison médicament-cible est prometteuse dans la découverte de nouveaux médicaments qui peuvent empêcher les virus de se fixer à leurs cibles. « Le FingerDTA peut aider à découvrir certains médicaments potentiels pour désactiver le COVID-19 en se liant à la cible du pic », a déclaré Liu. Il peut fournir des conseils précis pour économiser des ressources humaines et matérielles substantielles, tout en accélérant la recherche de nouveaux médicaments.
Pour l’avenir, l’équipe espère implémenter le framework FingerDTA dans les plates-formes Big Data et le mettre dans des applications réelles. « Notre objectif ultime est de développer de telles technologies et systèmes pour que les utilisateurs s’attaquent aux problèmes d’application de l’analyse de données extrêmement volumineuses distribuées dans plusieurs centres de données », a déclaré Juan Liu.
Plus d’information:
Xuekai Zhu et al, FingerDTA : Un cadre d’intégration d’empreintes digitales pour la prédiction d’affinité de liaison médicament-cible, Exploration et analyse de mégadonnées (2022). DOI : 10.26599/BDMA.2022.9020005
Fourni par Tsinghua University Press