L'IA prédit la fonction des enzymes
Cette méthode offre un large éventail d'applications potentielles
Les enzymes sont les usines à molécules des cellules biologiques. Toutefois, les éléments moléculaires de base qu'elles utilisent pour assembler des molécules cibles sont souvent inconnus et difficiles à mesurer. Une équipe internationale comprenant des bioinformaticiens de l'université Heinrich Heine de Düsseldorf (HHU) vient de franchir une étape importante à cet égard : Leur méthode d'IA permet de prédire avec une grande précision si une enzyme peut fonctionner avec un substrat spécifique. Ils présentent aujourd'hui leurs résultats dans la revue scientifique Nature Communications.
Les enzymes sont des biocatalyseurs importants dans toutes les cellules vivantes : Elles facilitent les réactions chimiques par lesquelles toutes les molécules importantes pour l'organisme sont produites à partir de substances de base (substrats). La plupart des organismes possèdent des milliers d'enzymes différentes, chacune étant responsable d'une réaction très spécifique. La fonction collective de toutes les enzymes constitue le métabolisme et fournit ainsi les conditions nécessaires à la vie et à la survie de l'organisme.
Même si les gènes qui codent pour des enzymes peuvent être facilement identifiés comme tels, la fonction exacte de l'enzyme qui en résulte est inconnue dans la grande majorité - plus de 99 % - des cas. En effet, la caractérisation expérimentale de leur fonction - à savoir quelles molécules de départ une enzyme spécifique convertit en quelles molécules finales concrètes - prend énormément de temps.
En collaboration avec des collègues suédois et indiens, l'équipe de recherche dirigée par le professeur Martin Lercher, du groupe de recherche en biologie cellulaire computationnelle de l'université d'Helsinki, a mis au point une méthode basée sur l'intelligence artificielle pour prédire si une enzyme peut utiliser une molécule spécifique comme substrat pour la réaction qu'elle catalyse.
Le professeur Lercher : "La particularité de notre modèle ESP ("Enzyme Substrate Prediction") est que nous ne sommes pas limités à des enzymes particulières et à d'autres qui leur sont étroitement liées, comme c'était le cas avec les modèles précédents. Notre modèle général peut fonctionner avec n'importe quelle combinaison d'une enzyme et de plus de 1 000 substrats différents".
Alexander Kroll, doctorant et auteur principal de l'étude, a mis au point un modèle d'apprentissage profond dans lequel les informations sur les enzymes et les substrats sont codées dans des structures mathématiques appelées vecteurs numériques. Les vecteurs d'environ 18 000 paires enzyme-substrat validées expérimentalement - où l'enzyme et le substrat sont connus pour fonctionner ensemble - ont été utilisés comme données d'entrée pour entraîner le modèle d'apprentissage profond.
Alexander Kroll : "Après avoir entraîné le modèle de cette manière, nous l'avons appliqué à un ensemble de données de test indépendant dont nous connaissions déjà les bonnes réponses. Dans 91 % des cas, le modèle a correctement prédit quels substrats correspondaient à quelles enzymes."
Cette méthode offre un large éventail d'applications potentielles. Dans la recherche sur les médicaments et la biotechnologie, il est très important de savoir quelles substances peuvent être converties par les enzymes. Le professeur Lercher : "Cela permettra à la recherche et à l'industrie de réduire un grand nombre de paires possibles aux plus prometteuses, qu'elles pourront ensuite utiliser pour la production enzymatique de nouveaux médicaments, de produits chimiques ou même de biocarburants."
M. Kroll ajoute : "Il permettra également de créer des modèles améliorés pour simuler le métabolisme des cellules. En outre, elle nous aidera à comprendre la physiologie de divers organismes, des bactéries aux êtres humains."
Outre Kroll et Lercher, le professeur Martin Engqvist de l'université technologique Chalmers de Göteborg, en Suède, et Sahasra Ranjan de l'Institut indien de technologie de Mumbai ont également participé à l'étude. Engqvist a contribué à la conception de l'étude, tandis que Ranjan a mis en œuvre le modèle qui encode les informations sur les enzymes introduites dans le modèle global développé par Kroll.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités du secteur des sciences de la vie
Ne manquez plus aucune actualité : notre newsletter consacrée aux biotechnologies, au secteur pharmaceutique et aux sciences de la vie vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
