Développer et améliorer les médicaments est généralement un processus long et très impliquant. Les chimistes construisent et modifient des molécules, parfois en cherchant à créer un nouveau traitement pour une maladie ou un symptôme spécifique, d’autres fois en travaillant pour améliorer un médicament qui existe déjà. Mais il faut beaucoup de temps et de connaissances spécialisées, aussi les tentatives se terminent souvent avec un médicament qui ne fonctionne pas comme espéré. Mais les chercheurs du MIT utilisent l’apprentissage automatique (machine learning) pour automatiser ce processus.
Leur modèle peut générer des molécules qui pourraient être utilisées à des fins thérapeutiques.
« La motivation derrière cela était de remplacer le processus de modification humaine inefficace de la conception de molécules par itération automatisée et d’assurer la validité des molécules que nous générons », a déclaré Wengong Jin, étudiant en doctorat au MIT.
L’équipe de recherche a formé son modèle d’apprentissage automatique sur 250 000 graphiques moléculaires, qui sont essentiellement des images détaillées de la structure d’une molécule. Les chercheurs ont ensuite eu le modèle pour générer des molécules, trouver les meilleures molécules de base à construire et concevoir de nouvelles molécules avec des propriétés améliorées. Les chercheurs ont constaté que leur modèle était capable de compléter ces tâches plus efficacement que d’autres systèmes conçus pour automatiser le processus de conception de médicaments.
Lorsqu’ils sont chargés de générer de nouvelles molécules valides, chacune des modèles créés s’avère valide. Et cela est particulièrement important car la production de molécules non valides est un défaut majeur des autres systèmes d’automatisation – parmi les autres, les chercheurs ont comparé leur modèle, le meilleur n’avait qu’un taux de validité de 43,5%. Deuxièmement, lorsque l’on a demandé au modèle de trouver la meilleure molécule de base – connue sous le nom de molécule de plomb – à la fois très soluble et facilement synthétisable, elle a de nouveau surpassé les autres systèmes.
La meilleure molécule candidate générée par leur modèle a obtenu 30 % de plus sur ces deux propriétés désirées que la meilleure option produite par des systèmes plus traditionnels. Enfin, quand le modèle a reçu l’ordre de modifier 800 molécules pour les améliorer pour ces propriétés mais en gardant leur structure similaire à celle de la molécule principale, il a créé environ 80% du temps, de nouvelles molécules structurées de manière similaire avec de meilleurs scores que celles avec les 2 propriétés qui faisaient les molécules d’origine.
À l’avenir, l’équipe de recherche testera le modèle sur d’autres propriétés pharmaceutiques et travaillera à faire un modèle qui peut fonctionner avec des quantités limitées de données d’entraînement. La recherche sera présentée la semaine prochaine à la Conférence internationale sur l’apprentissage automatique.
https://www.engadget.com/2018/07/06/mit-automate-drug-design-machine-learning/
http://news.mit.edu/2018/automating-molecule-design-speed-drug-development-0706
