Actualité santé | News 24

Le modèle d’apprentissage automatique révèle de nouvelles opportunités de conception de médicaments

Cet article a été révisé selon Science X processus éditorial
et Stratégies.
Éditeurs ont mis en avant les attributs suivants tout en assurant la crédibilité du contenu :

faits vérifiés

publication évaluée par des pairs

source fiable

relire


Relations fondamentales entre les descripteurs. Chaque point de données représente une molécule et est projeté sur l’espace bidimensionnel de deux descripteurs, comme indiqué. Certaines des propriétés les plus courantes trouvées parmi les descripteurs sont : un corrélations linéaires, b corrélations non linéaires, et c sans corrélation. Les nombres sur chacun des panneaux sont calculés par des corrélations standards (c’est-à-dire le coefficient de Pearson), Cjejet les corrélations de rang, R.jej. Comme indiqué, les corrélations de rang capturent mieux la relation non linéaire présentée dans le panneau central. Crédit: Chimie des communications (2024). DOI : 10.1038/s42004-024-01161-y

× fermer


Relations fondamentales entre les descripteurs. Chaque point de données représente une molécule et est projeté sur l’espace bidimensionnel de deux descripteurs, comme indiqué. Certaines des propriétés les plus courantes trouvées parmi les descripteurs sont : un corrélations linéaires, b corrélations non linéaires, et c sans corrélation. Les nombres sur chacun des panneaux sont calculés par des corrélations standards (c’est-à-dire le coefficient de Pearson), Cjejet les corrélations de rang, R.jej. Comme indiqué, les corrélations de rang capturent mieux la relation non linéaire présentée dans le panneau central. Crédit: Chimie des communications (2024). DOI : 10.1038/s42004-024-01161-y

Les agents pathogènes sont tout simplement adaptables, et leur capacité à se protéger contre les antibiotiques pose de plus en plus de problèmes de santé publique. Une équipe de recherche dirigée par le Laboratoire national de Los Alamos a utilisé l’apprentissage automatique, une application de l’intelligence artificielle, pour identifier les propriétés moléculaires qui pourraient guider la découverte de nouveaux types d’antibiotiques, en particulier parmi les agents pathogènes jugés critiques par l’Organisation mondiale de la santé en raison de leur forte teneur en bactéries. résistance.

Les résultats sont publié dans la revue Chimie des communications.

« Certains agents pathogènes ont des propriétés qui les rendent très efficaces pour résister aux antibiotiques », a déclaré Gnana Gnanakaran, scientifique à Los Alamos. « La découverte de composés spécifiques capables de pénétrer et d’inhiber certains agents pathogènes est un défi de taille en raison de la vaste hétérogénéité et de la profondeur de l’espace chimique, ainsi que de la complexité des interactions moléculaires à travers les membranes bactériennes. L’approche que nous employons est capable de sonder les profils au niveau moléculaire spécifiques à la bactérie, nécessaires sur lesquels on peut s’appuyer pour un développement réussi de médicaments.

Défenses bactériennes contre les antibiotiques

Les bactéries à Gram négatif ont une membrane externe moins perméable aux composés, tels que ceux qui composent les antibiotiques, et les bactéries peuvent également expulser les composés qui pénètrent à l’intérieur, réduisant ainsi l’efficacité d’un antibiotique.

Les modèles basés sur les données ont le potentiel d’identifier les propriétés moléculaires qui pourraient vaincre ces défenses bactériennes, mais les calculs précis pour effectuer ces déterminations sont difficiles et utilisent des ressources informatiques considérables. Les composés chimiquement divers peuvent contenir de nombreuses propriétés pertinentes ; l’étude basée sur l’apprentissage automatique a réduit le spectre pertinent de ces propriétés et a établi des règles empiriques qui permettraient de prédire la capacité du composé à pénétrer dans la membrane externe de la bactérie.

Le modèle d’apprentissage automatique identifie les propriétés de lutte contre les agents pathogènes

En se concentrant spécifiquement sur la bactérie Gram-négative Pseudomonas aeruginosa, l’équipe de recherche a développé un modèle d’apprentissage automatique pour identifier les descripteurs pertinents associés aux composés et prédire le succès de ces composés à pénétrer dans les membranes externes des bactéries et à éviter leur expulsion. L’équipe s’est appuyée sur les capacités de calcul haute performance de Los Alamos pour extraire les propriétés moléculaires de la perméation à partir de simulations prenant en compte 1 260 composés chimiquement divers lorsqu’ils traversent la membrane bactérienne.

Leur analyse apporte un nouvel éclairage sur les propriétés clés dont les médicaments candidats ont besoin pour imprégner efficacement Pseudomonas aeruginosa et ouvre la porte à des études similaires basées sur des données sur d’autres agents pathogènes à Gram négatif.

« Les techniques d’apprentissage automatique que nous avons utilisées dans cette analyse suggèrent une approche prometteuse pour des études similaires basées sur des données sur d’autres membranes biologiques, y compris la barrière hémato-encéphalique », a déclaré Gnanakaran.

Plus d’information:
Pedro D. Manrique et al, Prédire la perméation de composés à travers la membrane externe de P. aeruginosa à l’aide de descripteurs moléculaires, Chimie des communications (2024). DOI : 10.1038/s42004-024-01161-y

Informations sur la revue :
Chimie des communications



Source link