Prédire le mode d'action de nouveaux médicaments anticancéreux grâce à l'IA
Accélération du développement de nouveaux médicaments contre le cancer
Les plantes, les champignons et les bactéries produisent une variété de substances actives qui modifient le métabolisme cellulaire, parfois jusqu'à la mort de la cellule. Cela en fait des candidats prometteurs pour de nouveaux médicaments contre le cancer et d'autres maladies. Bien qu'il existe une gamme variée de bioactifs, le développement de nouveaux médicaments anticancéreux s'avère difficile, car l'élucidation de leur mode d'action prend beaucoup de temps et d'argent. Des scientifiques de l'Institut Leibniz de biochimie végétale et des partenaires de l'Université Martin Luther de Halle-Wittenberg et de l'Université de Dhofar (Oman) viennent de franchir une étape importante pour surmonter cet obstacle à l'avenir. Grâce à une analyse moderne des métabolites cellulaires et à une évaluation basée sur l'intelligence artificielle, ils ont réussi à prédire le mode d'action de nouveaux médicaments anticancéreux. Leur étude a été publiée dans la revue Advanced Science.
Les cellules cancéreuses se caractérisent par des divisions cellulaires incontrôlées, rendues possibles par un métabolisme cellulaire et énergétique extrêmement élevé. La formation continue et excessive de nouvelles cellules nécessite en permanence des blocs de construction de l'ADN et des graisses pour les nouvelles membranes cellulaires. Cette régulation anormale des voies métaboliques centrales distingue les cellules malignes des cellules normales et constitue donc une bonne cible thérapeutique. La plupart des médicaments anticancéreux influencent directement ou indirectement le métabolisme hyperactif de la tumeur, ce qui entraîne la mort des cellules en prolifération. Les médicaments anticancéreux peuvent, par exemple, bloquer l'absorption de sucre dans les cellules ou inhiber certaines enzymes nécessaires à la production d'énergie ou d'acides gras. Comme chaque division cellulaire est précédée d'une duplication du matériel génétique, le blocage de la biosynthèse de l'ADN et de la division cellulaire elle-même constitue également une bonne cible pour les agents anticancéreux.
Plus précisément, les différents inhibiteurs de tumeurs - selon le composé bioactif utilisé - rendent les cellules cancéreuses incapables de former des quantités suffisantes de certains intermédiaires métaboliques. Dans leur ensemble, ces métabolites des cellules tumorales forment un modèle ou un profil métabolique très spécifique. Les méthodes de spectrométrie de masse, par exemple, permettent d'étudier les profils de métabolites, ce que l'on appelle la métabolomique. Selon l'hypothèse des scientifiques, les substances actives qui attaquent les mêmes protéines cibles dans les cellules cancéreuses produiront également des profils métaboliques similaires. Pour vérifier cette hypothèse, ils ont appliqué 38 substances cytotoxiques différentes - dont certains médicaments anticancéreux actuellement utilisés et dont le mode d'action est déjà connu - à des cellules cancéreuses de la prostate et ont ensuite enregistré les profils métaboliques des cellules traitées.
Ils ont ensuite enregistré les profils métaboliques des cellules traitées. Ils ont ainsi constaté que les inhibiteurs de tumeurs ayant les mêmes mécanismes d'action produisaient des profils métaboliques similaires et ont pu attribuer les profils métaboliques des cellules tumorales traitées aux médicaments anticancéreux testés. Ces corrélations entre le mode d'action d'un médicament et son empreinte métabolique dans les cellules cancéreuses traitées ont été utilisées comme données d'entraînement pour l'IA. Ensuite, les scientifiques de Halle ont appliqué de nouvelles substances végétales naturelles aux propriétés anticancéreuses avérées aux cellules cancéreuses de la prostate afin de déterminer les profils métaboliques correspondants.
Grâce à l'apprentissage automatique, ils ont pu prédire de manière fiable le mode d'action des nouveaux composés bioactifs. Par exemple, des triterpènes tels que l'acide 11-céto-β-boswellique de l'encens, l'acide maslinique en tant que composant de l'huile d'olive et l'acide bétulinique de l'écorce de bouleau bloquent le métabolisme énergétique des cellules cancéreuses et les tuent ainsi. Les prédictions de l'IA issues de l'entraînement du modèle de cancer de la prostate ont ensuite été testées sur des modèles de cellules de cancer du sein et de sarcome d'Ewing, où elles ont également fourni de bonnes prédictions, bien que moins précises, car l'IA n'avait pas été entraînée sur ces types de cellules.
Cette combinaison de métabolomique et d'IA est une excellente méthode pour mieux prédire le mode d'action des substances naturelles cytotoxiques et ainsi accélérer le développement de nouveaux médicaments anticancéreux, concluent les scientifiques. La nouvelle méthode peut également permettre de mieux comprendre le mode d'action d'agents chimiothérapeutiques déjà utilisés et de découvrir des effets physiologiques inconnus ou des interactions avec d'autres médicaments. Ceci est particulièrement utile pour l'utilisation de divers agents antitumoraux dans le cadre d'une chimiothérapie combinée. Le pouvoir prédictif de cette approche sera encore amélioré en augmentant le nombre d'ensembles d'entraînement et en l'étendant à d'autres médicaments d'entraînement et à d'autres types de cellules cancéreuses.
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
Mohamad Saoud, Jan Grau, Robert Rennert, Thomas Mueller, Mohammad Yousefi, Mehdi D. Davari, Bettina Hause, René Csuk, Luay Rashan, Ivo Grosse, Alain Tissier, Ludger A. Wessjohann, Gerd U. Balcke; "Advancing Anticancer Drug Discovery: Leveraging Metabolomics and Machine Learning for Mode of Action Prediction by Pattern Recognition"; Advanced Science, 2024-10-21
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.
