Des scientifiques de l'Université de Sheffield et d'AstraZeneca ont dévoilé une approche d'IA, MapDiff, qui améliore considérablement la conception de nouvelles protéines médicinales. Ce développement est appelé à révolutionner la découverte de médicaments, rendant les traitements plus efficaces et plus rapides à développer.
Des scientifiques universitaires et des experts industriels ont collaboré pour réaliser une avancée révolutionnaire en ingénierie des protéines. Une équipe de l'Université de Sheffield et d'AstraZeneca a développé une nouvelle approche d'intelligence artificielle qui promet de révolutionner ce domaine et d'accélérer potentiellement le développement de nouveaux médicaments.
Cette méthode d’IA innovante, nommée MapDiff, surpasse considérablement les techniques existantes en matière de « repliement inverse des protéines », un aspect complexe mais crucial de la conception des protéines.
Le repliement inverse des protéines consiste à déterminer les séquences d'acides aminés qui se replieront selon des formes 3D spécifiques pour remplir des fonctions spécifiques. Ce processus est essentiel car, pour que les médicaments soient efficaces, les protéines impliquées doivent se replier selon des structures précises.
Publié Dans la revue Nature Machine Intelligence, l'étude s'appuie sur l'utilisation de modèles d'apprentissage automatique formés sur de vastes ensembles de données de séquences et de structures protéiques connues.
Percée dans le repliement des protéines
MapDiff a démontré des capacités prédictives supérieures dans des tests simulés, offrant un moyen plus précis de concevoir des séquences d'acides aminés qui se replieront en protéines stables et fonctionnelles.
Ce développement a le potentiel d’accélérer la création de protéines essentielles pour les vaccins, les thérapies géniques et d’autres traitements innovants.
« Ces travaux représentent une avancée significative dans l'utilisation de l'IA pour la conception de protéines aux structures souhaitées », a déclaré Haiping Lu, auteur correspondant et professeur d'apprentissage automatique à l'Université de Sheffield, dans un communiqué de presse. « En apprenant à générer des séquences d'acides aminés susceptibles de se replier en structures 3D spécifiques, notre méthode ouvre de nouvelles perspectives pour la conception de nouvelles protéines thérapeutiques, utilisables dans diverses applications thérapeutiques. Il est passionnant de voir l'IA nous aider à relever un défi aussi fondamental en biologie. »
Une collaboration pionnière
L'étude est le résultat d'un effort de collaboration entre le monde universitaire et l'industrie, s'appuyant sur des partenariats antérieurs réussis entre les informaticiens de l'Université de Sheffield et AstraZeneca.
« Lors de mon doctorat, j'ai été motivé par le potentiel de l'IA pour accélérer la découverte biologique. Je suis fier que notre méthode, MapDiff, permette de concevoir des séquences protéiques plus susceptibles de se replier selon les structures 3D souhaitées – une étape clé vers le développement de thérapies de nouvelle génération », a ajouté Peizhen Bai, scientifique senior en apprentissage automatique chez AstraZeneca, qui a développé l'IA alors qu'il était doctorant à l'École d'informatique de l'Université de Sheffield.
La collaboration a précédemment conduit au développement de Interdiction des drogues, une IA capable de prédire efficacement la liaison médicament-cible, accélérant ainsi le processus de découverte de médicaments. Ces travaux ont déjà eu des impacts notables et figurent parmi les articles les plus cités dans Nature Machine Intelligence en 2023.
Implications futures
La mise en œuvre réussie de MapDiff pourrait ouvrir une nouvelle ère dans la conception de protéines médicinales, complétant d'autres avancées récentes telles qu'AlphaFold, qui prédit la structure 3D des protéines à partir de séquences d'acides aminés. En simplifiant le processus de conception, cette approche basée sur l'IA est très prometteuse pour accélérer le développement de nouvelles thérapies et améliorer les résultats thérapeutiques.
Source: Université de Sheffield