Un logiciel d’IA peut fournir une «feuille de route» pour les découvertes biologiques

La critique geante de licone de la SHL sur la

Prédire l’emplacement d’une protéine dans une cellule peut aider les chercheurs à débloquer une pléthore d’informations biologiques qui sont essentielles pour développer de futures découvertes scientifiques liées au développement de médicaments et au traitement de maladies comme l’épilepsie. C’est parce que les protéines sont les « chevaux de trait » du corps, largement responsables de la plupart des fonctions cellulaires.

Récemment, Dong Xu, professeur émérite des conservateurs au Département de génie électrique et d’informatique de l’Université du Missouri, et ses collègues ont mis à jour leur modèle de prédiction de la localisation des protéines, MULocProfond, avec la possibilité de fournir des prédictions plus ciblées, y compris des modèles spécifiques pour les animaux, les humains et les plantes. Le modèle a été créé il y a 10 ans par Xu et son collègue chercheur MU Jay Thelen, professeur de biochimie, pour étudier à l’origine les protéines dans les mitochondries.

« De nombreuses découvertes biologiques doivent être validées par des expériences, mais nous ne voulons pas que les chercheurs aient à consacrer du temps et de l’argent à mener des milliers d’expériences pour y arriver », a déclaré Xu. « Une approche plus ciblée permet de gagner du temps. Notre outil fournit une ressource utile aux chercheurs en les aidant à accéder plus rapidement à leurs découvertes, car nous pouvons les aider à concevoir des expériences plus ciblées à partir desquelles faire avancer leurs recherches plus efficacement.

En exploitant la puissance de l’intelligence artificielle grâce à une technique d’apprentissage automatique – former des ordinateurs à faire des prédictions à l’aide de données existantes – le modèle peut aider les chercheurs qui étudient les mécanismes associés aux emplacements irréguliers des protéines, connus sous le nom de « mauvaise localisation », ou où une protéine va à un endroit différent de ce qu’il est censé être. Cette anomalie est souvent associée à des maladies telles que des troubles métaboliques, des cancers et des troubles neurologiques.

« Certaines maladies sont causées par une mauvaise localisation, ce qui empêche la protéine d’accomplir une fonction comme prévu car elle ne peut pas atteindre une cible ou y va de manière inefficace », a déclaré Xu.

Une autre application du modèle prédictif de l’équipe est d’aider à la conception de médicaments en ciblant une protéine mal localisée et en la déplaçant au bon endroit, a déclaré Xu.

À l’avenir, Xu espère augmenter la précision du modèle et développer davantage de fonctionnalités.

« Nous voulons continuer à améliorer le modèle pour déterminer si une mutation dans une protéine pourrait provoquer une mauvaise localisation, si les protéines sont distribuées dans plus d’un compartiment cellulaire, ou comment les peptides signaux peuvent aider à prédire la localisation plus précisément », a déclaré Xu. « Bien que nous n’offrions pas de solutions pour le développement de médicaments ou de traitements pour diverses maladies en soi, notre outil peut aider d’autres personnes à développer des solutions médicales. La science d’aujourd’hui est comme une grande entreprise. Différentes personnes jouent des rôles différents et, en travaillant ensemble, nous pouvons faire beaucoup de bien pour tous. »

Xu travaille actuellement avec des collègues pour développer un cours en ligne gratuit pour les lycéens et les étudiants basé sur les concepts biologiques et bioinformatiques utilisés dans le modèle et s’attend à ce que le cours soit disponible plus tard cette année.

Un conflit d’intérêts est également noté par Xu et ses collègues : alors que la version en ligne de MULocDeep est disponible pour les utilisateurs universitaires, une version autonome est également disponible dans le commerce moyennant des frais de licence.

« Service Web MULocDeep pour la prédiction et la visualisation de la localisation des protéines aux niveaux subcellulaire et sous-organellaire« , a été publié dans la revue Recherche sur les acides nucléiques. Les co-auteurs sont Yuexu Jiang, Lei Jiang, Chopparapu Sai Akhil, Duolin Wang, Ziyang Zhang et Weinan Zhang à MU.

Plus d’information:
Yuexu Jiang et al, service Web MULocDeep pour la prédiction et la visualisation de la localisation des protéines aux niveaux subcellulaire et suborganellaire, Recherche sur les acides nucléiques (2023). DOI : 10.1093/nar/gkad374

Fourni par l’Université du Missouri

ph-tech