Un programme d'apprentissage automatique développé par une équipe internationale de chercheurs pourrait aider les sociétés pharmaceutiques à produire de plus grandes quantités de médicaments de pointe nécessaires aux traitements médicaux.

Dans une étude, l'équipe a développé un algorithme informatique utilisant les données d'expression génique des cellules d'ovaire de hamster chinois - une lignée cellulaire souvent utilisée par les chercheurs biopharmaceutiques pour la recherche médicale - afin d'optimiser la production de protéines dans ces cellules.

"L'industrie pharmaceutique s'appuie généralement sur les cellules ovariennes d'un hamster chinois - les cellules CHO - pour la recherche visant à créer des médicaments efficaces, mais, parce que les cellules ne produisent pas beaucoup de protéines par cellule, il nécessite une production à grande échelle, " a déclaré Claudio Angione, maître de conférences en informatique, Université de Teesside. "Ce que nous montrons, c'est que, par rapport à d'autres méthodes, combiner cette modélisation métabolique avec des méthodes basées sur les données pourrait être une grande amélioration pour l'automatisation de la conception des cultures, en identifiant avec précision les conditions de croissance optimales pour produire des composés thérapeutiques cibles."

Les chercheurs, qui ont rendu compte de leurs découvertes à la deuxième conférence électronique internationale sur la métabolomique, l'apprentissage automatique combiné et un modèle informatique qui reconstruit le métabolisme des cellules d'ovaire de hamster chinois (CHO) pour maximiser l'efficacité de la cellule.

"C'est une nouvelle étape parce que, pour la première fois, nous combinons deux méthodologies habituellement utilisées individuellement dans les études de bioprocédés, " dit Angion.

Les chercheurs ont pu prédire la production de lactate - un déchet toxique - à l'intérieur des cellules, en termes à la fois de leurs états génétiques et métaboliques.

"La production de lactate est généralement indésirable car elle entrave la croissance cellulaire et limite par conséquent le rendement des produits souhaités, " a déclaré Macauley Coggins, assistant de recherche, Université de Teesside. "En prédisant les conditions cellulaires dans lesquelles l'accumulation de lactate est minimisée, il est possible de réduire, voire d'éviter, de longues séries d'essais expérimentaux."

Protéines thérapeutiques, comme celles produites dans les cellules CHO, ont un large éventail d'applications en médecine.

"Certains d'entre eux sont utilisés dans les vaccins et protègent contre les agents infectieux tels que les virus, " a ajouté Guido Zampieri, doctorant en génomique et bioinformatique, Centre de biotechnologie CRIBI, Université de Padoue. "D'autres protéines avec une activité de ciblage spéciale peuvent être utilisées pour traiter les patients qui manquent de ces protéines en raison de conditions génétiques. Les médicaments anticancéreux sont un autre exemple."

L'apprentissage automatique est un domaine qui explore comment les ordinateurs peuvent apprendre à résoudre des problèmes et entreprendre des tâches spécifiques sans être programmés, selon Coggins. Pour faire ça, les chercheurs développent généralement un algorithme pour entraîner un ordinateur à reconnaître des modèles, une technique d'apprentissage automatique souvent appelée apprentissage supervisé.

« Cela ressemble beaucoup à la façon dont vous apprenez à un enfant à reconnaître différentes formes en lui montrant ce qu'est chaque forme et à quoi elle ressemble »

À l'avenir, cette méthode pourrait être utilisée pour optimiser d'autres métabolites ou protéines, suggèrent les chercheurs. La production de quantités plus importantes de médicaments pourrait également conduire à des traitements moins coûteux.

"Nous voyons plusieurs directions de recherche intéressantes, " dit Angione. " Principalement, nous visons à faire avancer l'intégration de différentes méthodologies de calcul telles que l'apprentissage automatique et la modélisation biologique. Ceci est important car ils possèdent différents points forts, qui, si elles étaient combinées, pourraient permettre d'adopter des interventions de bio-ingénierie plus précises.

Particulièrement, l'apprentissage automatique peut extraire des connaissances utiles à partir de données expérimentales, tandis que la modélisation métabolique fournit des informations sur les mécanismes locaux et mondiaux dans les réseaux biochimiques.

"Nous voulons également explorer d'autres étapes de bio-ingénierie qui pourraient bénéficier de cette optimisation intégrée. L'objectif final est d'obtenir un ensemble d'outils informatiques qui peuvent guider les processus industriels à plusieurs niveaux."

The researchers used data from a publicly available large-scale gene expression dataset from two different CHO cell lines with 295 microarray profiles with expression values for 3592 genes from 121 CHO cell cultures. For genome reconstruction, the researchers used a recently developed genome-scale metabolic model—GSMM—used to accurately predict growth phenotypes. The model is currently the largest reconstruction of CHO metabolism.

They then combined the model of CHO cell metabolism with the gene expression data to create condition and cell line-specific polyomics models.