Tester les médicaments nouvellement développés est un processus extrêmement fastidieux, et il peut être difficile de le faire bien. Aujourd’hui, une équipe de scientifiques de l’Université Carnegie Mellon (CMU) travaille à la rationalisation de la tâche, en créant un système d’expérimentation robotisé qui est en mesure de réduire jusqu’à 70%, le nombre de tests qui doivent être effectué.
Lorsqu’ils travaillent sur un nouveau médicament, les scientifiques doivent déterminer ses effets pour s’assurer qu’il apporte un traitement efficace et qu’il est sans danger pour les patients. Cela prend un temps énorme, et il n’est tout simplement pas pratique d’effectuer des expériences pour chaque ensemble possible de conditions biologiques.
C’est la raison du nouveau système robotique de la CMU. Il utilise une approche par apprentissage machine pour choisir les expériences à mener, en utilisant des modèles dans les données afin de prédire avec précision les résultats des expériences sans réellement les mettre en œuvre.
Le système est en mesure de mener des expériences sélectionnées par lui-même, à l’aide de robots de manipulation de liquides et un microscope automatisé. Ses capacités ont été mises à l’épreuve dans une étude visant à déterminer les effets de 96 médicaments sur 96 clones de cellules de mammifères en culture, contenant différentes protéines, étiquetées par fluorescence. Un total de 9216 expériences était possible, chacune d’entre elles impliquait de tester les effets d’un médicament en prenant une photo de ce mélange avec la cellule cible.
La machine a commencé par faire des images des 96 cellules, puis pointer la localisation de la protéine qu’elle contenait. Les effets de chaque médicament ont ensuite été enregistrés de la même manière, avec l’algorithme d’apprentissage machine identifiant lentement des modèles dans la localisation des protéines, baptisées phénotypes.
En regroupant ensemble les images similaires, le système d’apprentissage machine a été en mesure d’identifier de nouveaux phénotypes potentiels sans l’aide des chercheurs. A mesure que de nouvelles données étaient recueillies, elles ont été utilisées pour former un modèle prédictif, en devinant les résultats des expériences non mesurées.
Un total de 30 séries de tests ait été entrepris par le système automatisé, avec 2697 expériences accomplies sur les 9216 possibles. Le reste des résultats ont été prédits par la machine, avec un taux de précision impressionnant de 92 %.
Les chercheurs croient que leur travail prouve que les techniques d’apprentissage machine sont viables pour une utilisation dans des tests médicaux, et pourrait avoir un impact important sur aussi bien les questions pratiques que financières rencontrées dans le domaine.
« Le défi immédiat sera d’utiliser ces méthodes pour réduire le coût correspondant à la réalisation des objectifs des grands projets multi-sites, tels que The Cancer Genome Atlas, qui vise à accélérer la compréhension de la base moléculaire du cancer avec des technologies d’analyse du génome », a déclaré l’auteur principal de l’article, Robert F. Murphy.
http://elifesciences.org/content/5/e10047v1
http://www.cmu.edu/news/stories/archives/2016/february/reducing-drug-discovery-cost.html