Des scientifiques de l'Université de Californie à San Francisco (UCSF) ont développé une nouvelle méthode capable de prédire rapidement et avec précision la manière dont les petites molécules interagissent avec les protéines. Cela pourrait accélérer considérablement le processus de découverte de médicaments, qui est actuellement un processus long et coûteux.
La nouvelle méthode, appelée « profilage d'interaction protéine-ligand in silico » (iPlip), utilise l'apprentissage automatique pour analyser de grands ensembles de données expérimentales. Ces données sont ensuite utilisées pour former un modèle informatique capable de prédire la probabilité qu’une petite molécule se lie à une protéine particulière.
Les chercheurs ont testé iPlip sur diverses protéines et petites molécules, et les résultats ont été très prometteurs. iPlip a pu prédire avec précision l'affinité de liaison des petites molécules pour 90 % des protéines testées. Ce niveau de précision pourrait réduire considérablement le nombre d’expériences nécessaires au cours du processus de découverte de médicaments.
En plus de sa rapidité et de sa précision, iPlip est également relativement peu coûteux à utiliser. Cela pourrait en faire un outil précieux pour les petites entreprises de biotechnologie et les chercheurs universitaires qui ne disposent pas des ressources nécessaires pour réaliser des études expérimentales à grande échelle.
"iPlip a le potentiel de révolutionner la manière dont nous découvrons des médicaments", a déclaré le professeur Brian Shoichet, responsable de l'étude. "Cela pourrait considérablement accélérer le processus de découverte de médicaments et le rendre plus abordable pour les petites entreprises et les chercheurs universitaires."
L'étude a été publiée dans la revue Nature Communications.
Comment fonctionne iPlip
iPlip utilise l'apprentissage automatique pour analyser de grands ensembles de données expérimentales. Ces données sont ensuite utilisées pour former un modèle informatique capable de prédire la probabilité qu’une petite molécule se lie à une protéine particulière.
Le modèle d'apprentissage automatique est formé sur diverses caractéristiques, notamment la structure chimique de la petite molécule, la séquence de la protéine et les données expérimentales sur la façon dont la petite molécule se lie à la protéine.
Une fois le modèle entraîné, il peut être utilisé pour prédire la probabilité qu’une nouvelle petite molécule se lie à une protéine particulière. Ces informations peuvent ensuite être utilisées pour guider le processus de découverte de médicaments, en aidant les chercheurs à sélectionner les petites molécules les plus prometteuses pour des tests plus approfondis.
Applications d'iPlip
iPlip pourrait avoir un impact significatif sur le processus de découverte de médicaments. Cela pourrait accélérer le processus de recherche de nouveaux médicaments et les rendre plus abordables pour les petites entreprises et les chercheurs universitaires.
iPlip pourrait également être utilisé pour identifier de nouvelles cibles pour la découverte de médicaments. En identifiant les protéines impliquées dans la maladie, iPlip pourrait aider les chercheurs à développer des médicaments ciblant ces protéines.
En plus de la découverte de médicaments, iPlip pourrait également être utilisé dans d’autres domaines de recherche, notamment pour comprendre comment les protéines interagissent entre elles et comment les petites molécules affectent les processus cellulaires.