LEBIGDATA.FR I.A, Cloud & Cybersécurité
L'intelligence artificielle vient d'identifier trois composés chimiques issus de plantes pouvant potentiellement empêcher le vieillissement des cellules du corps humain. Il pourrait s'agir d'une avancée majeure pour la création de nouveaux médicaments…
Depuis l'aube des temps, l'humain cherche le secret de la jeunesse éternelle. Personne n'a jamais trouvé la fontaine de jouvence, mais un modèle de machine learning vient d'identifier trois composants chimiques susceptibles de ralentir le vieillissement.
Selon les chercheurs de l'Université d'Edinburgh à l'origine de l'étude, cette approche pourrait être une façon efficace d'identifier de nouveaux médicaments et plus particulièrement pour les maladies complexes.
La sénescence cellulaire : le phénomène qui provoque le vieillissement
La division des cellules est nécessaire à la croissance du corps, et au renouvellement des tissus. Or, la sénescence cellulaire est un phénomène provoquant son arrêt permanent.
Les cellules restent néanmoins dans le corps, ce qui cause des dégâts sur la peau et le vieillissement des organes et systèmes du corps.
Normalement, les cellules sénescentes sont éliminées du corps par le système immunitaire. Toutefois, avec l'âge, celui-ci devient moins efficace et laisse le nombre de ces cellules s'accroître.
Il est prouvé que cette augmentation est directement associée à des maladies comme le cancer, Alzheimer, et aux signes de vieillissement tels que la dégradation de la vision et la réduction de la mobilité.
Une IA entraînée sur plus de 2500 composés
Face à ces effets néfastes sur le corps, voila bien longtemps que les scientifiques cherchent à développer des sénolytiques : des composés permettant d'éliminer les cellules sénescentes.
Par le passé, les candidats prometteurs se sont malheureusement souvent révélés toxiques aussi pour les cellules saines.
C'est la première fois que le machine learning est utilisé dans le cadre de ces recherches, et les résultats sont très concluants.
L'équipe de chercheurs écossais à entraîné un modèle de machine learning à reconnaître les caractéristiques clés des composés chimiques ayant des propriétés sénolytiques.
Afin d'y parvenir, ils ont utilisé des données issues de sources multiples telles que des articles scientifiques et des brevets commerciaux.
Le modèle a aussi été intégré avec deux bibliothèques regroupant une large gamme de composés chimiques approuvés par la FDA ou en phase d'essai clinique.
Au total, le jeu de données contenait 2523 composés avec ou sans propriétés sénolytiques. Le but était d'éviter de biaiser l'algorithme d'apprentissage automatique.
Trois composés chimiques extraits de plantes identifiés
Après son entraînement, le modèle a été utilisé pour analyser plus de 4000 composés chimiques. Il a identifié 21 candidats potentiels.
En les testant, les chercheurs se sont rendu compte que trois d'entre éliminait effectivement les cellules sénescentes sans pour autant blesser les cellules saines. Mieux encore : les trois sont des produits naturels que l'on retrouve dans les herbes médicinales traditionnelles !
Le plus efficace est l'oléandrine, que l'on extrait du laurier rose (Nerium oleander). Ses propriétés sont similaires au médicament digoxine, utilisé pour soigner l'arythmie et les insuffisances cardiaques.
Plusieurs études ont démontré que ce composé possède des propriétés anti-cancer, anti-inflammatoire, anti-VIH et antioxydantes.
Hautement toxique au-delà des faibles doses thérapeutiques tolérées par l'humain, l'oléandrine n'a pas été approuvée par les agences régulatrices comme médicament prescrit ou complément alimentaire. Il pourrait toutefois s'avérer très utile pour lutter contre la sénescence cellulaire…
Le second composé chimique identifié par l'IA est la ginkgétine, extraite de l'arbre Ginkgo biloba. Il s'agit là de la plus ancienne espèce d'arbre, dont les feuilles et les graines sont utilisées comme herbes médicinales depuis des milliers d'années en Chine.
C'est donc un produit nettement plus accessible, puisqu'un extrait hautement concentré fait de feuilles séchées est disponible dans le commerce partout dans le monde y compris en Europe et aux États-Unis.
La ginkgétine présente des propriétés anticancéreuses, anti-inflammatoires, antimicrobiennes, antioxydantes et neuroprotectrices.
Enfin, le troisième composé identifié est la périplocine. Elle est isolée à partir de l'écorce de racine de la vigne à soie chinoise (Periploca sepium).
Des études ont prouvé qu'elle permet d'améliorer la fonction cardiaque, mais aussi de bloquer la croissance des cellules et de causer la mort des cellules cancéreuses.
L'IA va-t-elle révolutionner la recherche de médicaments ?
Selon les chercheurs, la puissance de ces composés est comparable ou même supérieure à celle des sénolytiques mis en lumière par de précédents travaux.
Leur méthode basée sur le machine learning s'avère également extrêmement efficace, et divise par plus de 200 le nombre de composés à étudier.
Cette découverte pourrait donc marquer un cap majeur dans l'identification de nouveaux médicaments d'après ses auteurs : « cette étude démontre que l'IA peut être incroyablement efficace pour nous aider à identifier de nouveaux candidats médicaments ».
Ils estiment que c'est « particulièrement le cas aux stades précoces de la découverte de médicaments et pour les maladies avec une biologie complexe ou peu de cibles moléculaires connues ».
Par ailleurs, leur approche se révèle moins coûteuse que les méthodes d'évaluation de médicaments standards comme les essais pré-cliniques et cliniques.
Comme le souligne Vanessa Smer-Barreto, principale auteure de l'étude, « ce travail est le fruit d'une collaboration intense entre les data scientists, les chimistes et les biologistes. En exploitant les forces de ce mélange interdisciplinaire, nous avons été capables de construire des modèles robustes et d'économiser des coûts d'évaluation en utilisant uniquement des données publiées pour l'entraînement du modèle ».
Elle espère à présent que cette réussite ouvrira de nouvelles opportunités et permettra d'accélérer l'application de cette technologie. L'étude complète est publiée dans le journal Nature Communications à cette adresse.
- Partager l'article :
