Une équipe de chercheurs se sert du potentiel de l’intelligence artificielle pour découvrir plus rapidement de potentiels traitements de la maladie de Parkinson.
Actuellement, on estime que c’est près de 200 000 personnes qui sont touchées par la maladie de Parkinson, avec plus de 25 000 personnes nouvellement diagnostiquées tous les ans. Au niveau mondial, c’est 5 million de personnes qui sont atteintes de la maladie de Parkinson. Un chiffre qui pourrait doubler d’ici à 2030. Ces dernières années, les chercheurs ont mis au point de nouvelles manières de détecter la présence de certaines maladies grâce à l’intelligence artificielle. Récemment, une équipe de l’Université de Cambridge a développé une stratégie basée sur l’IA pour identifier les composés qui bloquent l’agglutination ou l’agrégation de l’alpha-synucléine, la protéine qui caractérise la maladie de Parkinson. Chez les patients atteints par la maladie neurodégénérative, ces protéines se dérèglent et provoquent la mort des cellules nerveuses. Les conclusions ont été publiées dans la revue Nature Chemical Biology. Dans le cadre de cette étude, l’équipe a utilisé des techniques d’apprentissage automatique pour examiner rapidement une bibliothèque chimique contenant des millions de données. « Une voie de recherche de traitements potentiels pour la maladie de Parkinson nécessite l’identification de petites molécules capables d’inhiber l’agrégation de l’alpha-synucléine, une protéine étroitement associée à la maladie », a expliqué le professeur Michele Vendruscolo du département de chimie Yusuf Hamied. Et d’ajouter : « Mais il s’agit d’un processus extrêmement long : le simple fait d’identifier un candidat principal pour des tests plus approfondis peut prendre des mois, voire des années ».
Aider à découvrir de nouveaux médicaments
« Au lieu de procéder à un dépistage expérimental, nous effectuons un dépistage informatique. En utilisant les connaissances que nous avons acquises lors du criblage initial avec notre modèle d’apprentissage automatique, nous avons pu entraîner le modèle pour identifier les régions spécifiques de ces petites molécules responsables de la liaison, puis nous pouvons procéder à un nouveau criblage et trouver des molécules plus puissantes », a résumé le Pr Vendruscolo. Grâce à cette méthode, l’équipe de Cambridge a développé des composés permettant de cibler des poches à la surface des agrégats, responsables de la prolifération exponentielle des agrégats eux-mêmes. « L’apprentissage automatique a un impact réel sur le processus de découverte de médicaments : il accélère l’ensemble du processus d’identification des candidats les plus prometteurs. Pour nous, cela signifie que nous pouvons commencer à travailler sur plusieurs programmes de découverte de médicaments, au lieu d’un seul », a conclu Vendruscolo.
