Lorsque vous prenez un médicament, vous voulez savoir précisément ce qu'il fait. Les sociétés pharmaceutiques subissent des tests approfondis pour s'assurer que vous le faites.

Avec une nouvelle technique basée sur l'apprentissage en profondeur créée à la Brown School of Engineering de l'Université Rice, ils pourraient bientôt mieux comprendre comment les médicaments en développement se comporteront dans le corps humain.

Le laboratoire Rice de l'informaticienne Lydia Kavraki a présenté Metabolite Translator, un outil de calcul qui prédit les métabolites, les produits d'interactions entre de petites molécules comme les médicaments et les enzymes.

Les chercheurs de Rice tirent parti des méthodes d'apprentissage en profondeur et de la disponibilité d'ensembles de données de réaction massifs pour donner aux développeurs une vue d'ensemble de ce qu'un médicament fera. La méthode n'est pas contrainte par les règles que les entreprises utilisent pour déterminer les réactions métaboliques, ouvrant la voie à de nouvelles découvertes.

"Lorsque vous essayez de déterminer si un composé est un médicament potentiel, il faut vérifier la toxicité, " dit Kavraki. " Vous voulez confirmer qu'il fait ce qu'il devrait, mais vous voulez aussi savoir ce qui pourrait arriver d'autre."

Les recherches de Kavraki, auteur principal et étudiante diplômée Eleni Litsa et l'ancienne élève de Rice Payel Das du Thomas J. Watson Research Center d'IBM, est détaillé dans le journal de la Royal Society of Chemistry Sciences chimiques.

Les chercheurs ont formé Metabolite Translator pour prédire les métabolites via n'importe quelle enzyme, mais a mesuré son succès par rapport aux méthodes existantes basées sur des règles qui se concentrent sur les enzymes du foie. Ces enzymes sont responsables de la détoxification et de l'élimination des xénobiotiques, comme la drogue, pesticides et polluants. Cependant, les métabolites peuvent également être formés par d'autres enzymes.

"Nos corps sont des réseaux de réactions chimiques, " a déclaré Litsa. " Ils ont des enzymes qui agissent sur les produits chimiques et peuvent rompre ou former des liaisons qui changent leurs structures en quelque chose qui pourrait être toxique, ou causer d'autres complications. Les méthodologies existantes se concentrent sur le foie car la plupart des composés xénobiotiques y sont métabolisés. Avec notre travail, nous essayons de capturer le métabolisme humain en général.

"L'innocuité d'un médicament ne dépend pas seulement du médicament lui-même mais aussi des métabolites qui peuvent se former lorsque le médicament est traité dans le corps, " dit Litsa.

La montée en puissance des architectures de machine learning qui fonctionnent sur des données structurées, comme les molécules chimiques, rendre le travail possible, elle a dit. Transformer a été introduit en 2017 en tant que méthode de traduction de séquences largement utilisée dans la traduction linguistique.

Metabolite Translator est basé sur SMILES (pour "simplified moleculaire-input line-entry system"), une méthode de notation qui utilise du texte brut plutôt que des diagrammes pour représenter les molécules chimiques.

"Ce que nous faisons est exactement la même chose que de traduire une langue, comme l'anglais vers l'allemand, " dit Litsa.

En raison du manque de données expérimentales, le laboratoire a utilisé l'apprentissage par transfert pour développer Metabolite Translator. Ils ont d'abord pré-formé un modèle Transformer sur 900, 000 réactions chimiques connues puis affinées avec des données sur les transformations métaboliques humaines.

Les chercheurs ont comparé les résultats de Metabolite Translator avec ceux de plusieurs autres techniques prédictives en analysant les séquences SMILES connues de 65 médicaments et 179 enzymes métabolisantes. Bien que Metabolite Translator ait été formé sur un ensemble de données générales non spécifiques aux médicaments, il a fonctionné aussi bien que les méthodes basées sur des règles couramment utilisées qui ont été spécifiquement développées pour les médicaments. Mais il a également identifié des enzymes qui ne sont pas couramment impliquées dans le métabolisme des médicaments et qui n'ont pas été trouvées par les méthodes existantes.

« Nous avons un système qui peut aussi bien prédire avec des systèmes basés sur des règles, et nous n'avons pas mis de règles dans notre système qui nécessitent un travail manuel et des connaissances spécialisées, " a déclaré Kavraki. " En utilisant une méthode basée sur l'apprentissage automatique, nous formons un système pour comprendre le métabolisme humain sans avoir besoin d'encoder explicitement cette connaissance sous forme de règles. Ce travail n'aurait pas été possible il y a deux ans."

Kavraki est le professeur d'informatique Noah Harding, professeur de bio-ingénierie, génie mécanique et génie électrique et informatique et directeur du Rice's Ken Kennedy Institute. L'Université Rice et le Cancer Prevention and Research Institute du Texas ont soutenu la recherche.