Facebook utilise l'IA pour accélérer la découverte de nouvelles combinaisons de médicaments existants
Le modèle "Compositional Perturbation Autoencoder" est capable de trouver les meilleures combinaisons médicamenteuses en prévoyant les effets sur les cellules à traiter. Disponible en open source, il a été développé par les chercheurs de Facebook AI et le centre de recherche allemand Helmholtz Zentrum München. Il ouvre la voie à la découverte de nouveaux traitements.
Des chercheurs de Facebook AI, la division de recherche en intelligence artificielle de l'entreprise américaine, et le Helmholtz Zentrum München (HMGU), un centre de recherche allemand spécialisé dans la santé, ont développé un modèle capable d'accélérer la découverte de combinaisons médicamenteuses efficaces.
Leurs travaux sont consultables sur bioRxiv mais n'ont pas encore été approuvés par le comité de lecture d'une revue scientifique. Le modèle, baptisé "Compositional Perturbation Autoencoder" (CPA), est disponible en open source.
Lutter contre l'antibiorésistance
Les scientifiques se sont penchés sur ce que l'on appelle les "cocktails de médicaments", c'est-à-dire le fait de réadapter ou de combiner des molécules existantes pour trouver de nouveaux traitements contre le cancer notamment. Cette méthode a deux avantages : elle permet de lutter contre l'antibiorésistance, l'un des défis sanitaires majeurs d'après l'Organisation mondiale de la santé, et de diminuer les effets secondaires.
Or, trouver les bons "mélanges" s'avère être une tâche extrêmement fastidieuse car cela nécessite de trouver les bonnes molécules, les bons dosages, la planification adéquate et prévoir leurs effets sur les cellules ciblées, en particulier sur l'expression des gènes. C'est la raison pour laquelle les chercheurs de Facebook et du HMGU ont eu recours à un système d'apprentissage automatique capable de traiter d'énormes quantités de données.
L'apprentissage de modèle auto-supervisé
Ils ont utilisé l'apprentissage de modèle auto-supervisé ou auto-encodage, qui permet de ne pas dépendre des données étiquetées ayant été longtemps essentielles pour entraîner des modèles. Cette méthodologie est utilisée dans de nombreux travaux de recherche menées par Facebook, expliquait Antoine Bordes, Co-managing Director de Facebook AI Research (FAIR), à L'Usine Digitale. En l'espèce, elle permet de prédire les effets des combinaisons inconnues à partir de données sur les mélanges connus de médicaments.
Le fonctionnement de l’apprentissage du modèle repose sur l’isolement des principales caractéristiques dans une cellule, comme les effets d’un médicament, d’une combinaison, d’un dosage, d’une planification, d’une suppression de gène ou d’un type de cellule spécifique. Puis, le modèle recombine ces caractéristiques pour prévoir leurs effets sur les expressions génétiques de la cellule.
Les scientifiques comparent leurs travaux au fait d'habiller et de déshabiller une cellule. Les différentes caractéristiques d'une cellule seraient des éléments vestimentaires, tels qu'un chapeau, des gants ou encore un bonnet. Pendant la phase d'apprentissage, le modèle identifie la cellule "habillée" puis supprime les éléments vestimentaires pour l'habiller à nouveau afin d'en apprendre davantage sur elle. Pendant la phase de test, le modèle peut ainsi prévoir les meilleures tenues, ce qui correspond aux combinaisons médicamenteuses les plus efficaces.
Un pas vers la médecine ultra personnalisée
Ces travaux peuvent être intéressants pour l'industrie pharmaceutique afin de sélectionner plus rapidement une combinaison médicamenteuse à examiner afin de trouver de nouveaux remèdes. Sur le long terme, ils ouvrent la voie à une personnalisation accrue des traitements en fonction des cellules de chaque individu.
SUR LE MÊME SUJET
Facebook utilise l'IA pour accélérer la découverte de nouvelles combinaisons de médicaments existants
Tous les champs sont obligatoires
0Commentaire
Réagir