La pandémie de coronavirus a déclenché une course pour développer des traitements sûrs et efficaces contre la maladie COVID-19. Bon nombre des interventions testées dans le cadre d'essais cliniques reposaient sur des molécules d'anticorps isolées du sang de personnes qui s'étaient remises de la maladie .
Au lieu de cela, des groupes de scientifiques travaillent maintenant à faire de l'intelligence artificielle générative un raccourci pour contourner une partie de ce processus laborieux. Cette technologie peut suggérer quelles séquences augmentent la puissance des anticorps contre des virus tels que le coronavirus SARS-CoV-2 et le virus Ebola.
L'une des études a été menée aux États-Unis et publiée dans la revue Nature Biotechnology . Cela fait partie d'une tentative des "réseaux de neurones" à l'origine de la plateforme d'intelligence artificielle ChatGPT de concevoir des anticorps .
Aujourd'hui, déjà des traitements à base d'anticorps contre des maladies comme le cancer du sein ou la polyarthrite rhumatoïde génèrent chaque année plus de 100 000 millions de dollars de ventes mondiales.
Les chercheurs espèrent que les réseaux de neurones capables de créer du texte, des images et d'autres contenus à partir de modèles appris accéléreront le développement et aideront à découvrir des anticorps contre des cibles thérapeutiques qui ont résisté aux méthodes de conception conventionnelles.
"Il y a un grand intérêt à découvrir et à concevoir des anticorps, et à apprendre à les améliorer", a déclaré Peter Kim, biochimiste à l'Université de Stanford en Californie, co-auteur de l'article publié dans Nature Biotechnology .
Les anticorps sont l'un des principaux outils du système immunitaire contre les infections. Ces protéines sont devenues les chouchous de l'industrie biotechnologique, en partie parce qu'elles peuvent être conçues pour se lier à presque toutes les protéines imaginables et manipuler leur activité.
Mais générer des anticorps avec des propriétés utiles et les améliorer implique "beaucoup de dépistage par force brute", a expliqué Brian Hie, un biologiste informatique de Stanford qui a également co-dirigé l'étude.
Pour voir si les outils d'intelligence artificielle générative pouvaient alléger une partie du travail, Hie, Kim et leurs collègues ont utilisé des réseaux de neurones appelés modèles de langage protéique. Ils sont similaires aux "grands modèles de langage" sur lesquels sont basés des outils comme ChatGPT.
Mais au lieu d'être nourris de vastes volumes de texte, les modèles de langage protéique sont entraînés sur des dizaines de millions de séquences protéiques.
D'autres chercheurs ont utilisé ces modèles pour concevoir des protéines entièrement nouvelles et prédire leur structure avec une grande précision. L'équipe de Hie a utilisé un modèle de langage protéique - développé par des chercheurs de Meta AI, qui fait partie du géant de la technologie Meta basé à New York - pour suggérer un petit nombre de mutations d'anticorps.
Le modèle a été formé avec seulement quelques milliers de séquences d'anticorps, sur les près de 100 millions de séquences de protéines dont il a appris. Malgré cela, une proportion étonnamment élevée des suggestions du modèle a augmenté la capacité des anticorps contre le SRAS-CoV-2, le virus de la grippe et le virus Ebola à se lier à leurs cibles thérapeutiques.
Des modifications à une thérapie approuvée pour traiter Ebola et un traitement pour COVID-19 ont amélioré la capacité des molécules à reconnaître et à bloquer les protéines que ces virus utilisent pour infecter les cellules.
Les chercheurs ont précisé qu'ils avaient testé un anticorps qui n'est pas efficace contre la variante du coronavirus Omicron et ses sous-variantes, et il est peu probable que les changements guidés par l'IA restaurent son efficacité.
"C'est un outil que les gens vont utiliser pour améliorer leurs anticorps", a souligné Charlotte Deane, chercheuse en immunoinformatique à l'université d'Oxford au Royaume-Uni. "Je pense que c'est vraiment cool", mais il ajoute que de nombreux chercheurs espèrent qu'au lieu de se contenter d'améliorer les anticorps existants, l'intelligence artificielle générative pourra en créer de tout nouveaux qui se lient à une cible ciblée.
Cette capacité pourrait aider les chercheurs à développer des médicaments pour des cibles moléculaires qui ont résisté à d'autres approches de conception d'anticorps, a déclaré Surge Biswas, co-fondateur de Nabla Bio, une société basée à Boston, Massachusetts, aux États-Unis, travaillant sur ce défi. .
Par exemple, l'IA pourrait aider à cibler les récepteurs couplés aux protéines G, une famille de protéines intégrées dans les membranes cellulaires impliquées dans les troubles neurologiques, les maladies cardiaques et de nombreuses autres affections. Cela pourrait également contribuer à la conception d'anticorps capables de capturer plusieurs cibles, telles qu'une protéine tumorale et une cellule immunitaire capable de la détruire, a expliqué Biswas.
En mars dernier, des scientifiques d'Absci, une société de biotechnologie de Vancouver, Washington, ont rapporté ce qu'ils considèrent comme un premier pas vers la création de nouveaux anticorps avec intelligence artificielle. Ils ont fait un travail qui attend toujours l'examen par les pairs (il a été publié sur le serveur bioRxiv2 ) .
À l'aide d'un modèle qui intègre des séquences de protéines ainsi que des données expérimentales, ils ont généré de nouvelles conceptions pour plusieurs régions importantes d'un anticorps utilisé pour traiter le cancer du sein.
Un défi clé dans la conception de médicaments entièrement nouveaux est que leur capacité à reconnaître une cible particulière dépend de boucles flexibles dans la structure de l'anticorps. Selon les chercheurs, ces interactions se sont avérées difficiles à modéliser avec l'IA.
L'année dernière, l'équipe de Possu Huang à l'Université de Stanford a développé un outil d'IA générative capable de créer des protéines capables de se lier fortement à une cible spécifique - dans un cas, des venins de serpent - en utilisant de telles boucles. La même approche pourrait aider à créer de nouveaux anticorps, selon Huang, mais elle pourrait nécessiter plus de données que celles actuellement disponibles sur la façon dont les anticorps interagissent avec leurs cibles thérapeutiques.
Continuer à lire: