Plus une maladie est complexe, plus le cocktail pharmaceutique que l’on prescrit au patient peut l’être aussi. Mais trouver la bonne combinaison de médicaments n’est pas facile, tant les interactions chimiques entre les principes actifs peuvent être variées et imprévisibles, et donc risquées. L’exploration des effets de ces cocktails est un travail minutieux qui prend du temps. Le premier obstacle à surmonter est de choisir entre tous les mélanges possibles, dont le nombre croît de manière exponentielle avec le nombre de médicaments utilisés. Pour un pool d’une centaine de médicaments, les biologistes peuvent être confrontés à presque 20 milliards de combinaisons qu’il faudrait analyser et tester. Ce qui peut prendre des années et des années.
A découvrir aussi en vidéo :
L’IA à la rescousse
Mais les chercheurs en intelligence artificielle de Facebook ont peut-être trouvé un moyen de réduire ce champ des possibles. En collaboration avec le centre de recherche Helmholtz à Munich, ils viennent de développer un modèle d’apprentissage automatique qui permet de prévoir les effets d’une combinaison de médicaments sur les cellules. Et donc de gagner un temps précieux. Baptisé « Compositional Perturbation Autoencoder » (CPA), ce modèle s’appuie sur le séquençage massif de l’ARN de millions de cellules qui ont été soumises à des médicaments, également appelé le « Single Cell RNA Sequencing » (scRNAseq). C’est un procédé assez nouveau qui permet aux biologistes de connaître le profil d’expression génétique d’une cellule et donc son fonctionnement réel à un moment donné.
L’ARN, rappelons-le, est une copie à brin unique d’une partie de l’ADN. La cellule l’utilise comme plan de fabrication pour créer ses protéines. En fonction des besoins de la cellule, celle-ci va sélectionner une partie de l’ADN plutôt qu’une autre. Par ailleurs, les médicaments influent également sur ce fonctionnement. C’est pourquoi, depuis quelques années, les scientifiques ont commencé à créer de vastes bases de données d’ARN.
Les chercheurs de Facebook utilisent ces bases de données pour entraîner leur modèle CPA afin qu’il soit capable de générer des expressions génétiques (c.-à-d. des données ARN) à partir d’une combinaison de médicaments donnée. La phase d’apprentissage est assez complexe. Un premier réseau neuronal permet d’encoder les données expérimentales — l’expression génétique et le mix de médicaments — sous la forme d’une formule de composition globale. Un second réseau neuronal est ensuite utilisé pour « décoder » une expression génétique à partir de cette formule. Ce décodeur est entraîné jusqu’à ce que l’expression génétique d’arrivée coïncide avec celle de départ.
L’idée, c’est que ce décodeur puisse ensuite être utilisé pour obtenir les expressions génétiques liées à de nouvelles combinaisons de médicaments. Ces prédictions obtenues « in silico » doivent ensuite être vérifiées in vitro par des biologistes : cette étape ne peut évidemment pas être supprimée !
Source: Facebook
🔴 Pour ne manquer aucune actualité de 01net, suivez-nous sur Google Actualités et WhatsApp.
