L’IA révolutionne la découverte d’inhibiteurs de l’EGFR
Un flux de travail révolutionnaire, combinant l’expertise humaine et l’IA, transforme la course au développement d’inhibiteurs de l’EGFR pour le cancer du poumon non à petites cellules, ciblant spécifiquement la mutation de résistance C797S à l’osimertinib. En intégrant des données biologiques issues de ChEMBL et UniProt, des chercheurs ont conçu un système automatisant la standardisation des molécules, l’analyse physicochimique et l’évaluation de la diversité des structures via RDKit. Cette approche permet aux modèles d’apprendre à partir de motifs chimiquement significatifs plutôt que de chaînes moléculaires brutes, améliorant considérablement la précision des prédictions. Le modèle QSAR Random Forest basé sur la répartition des structures évalue désormais les candidats médicamenteux selon leur puissance, leur similarité avec un médicament et leur synthétisabilité, tandis que l’analyse SHAP identifie les caractéristiques moléculaires clés influençant l’efficacité.
Intelligence sur la cible et préparation des données
Le processus débute par la résolution de la cible EGFR grâce à des données d’activité biologique soigneusement sélectionnées issues de ChEMBL, garantissant des mesures d’IC50 de haute qualité. RDKit standardise les molécules, élimine les sels et calcule les empreintes de Morgan, tandis que BRICS fragmente des candidats médicamenteux prometteurs en vue de recombinaisons. Cette étape assure que le jeu de données reflète la diversité chimique réelle, évitant les biais liés à des représentations simplistes sous forme de chaînes.
Apprentissage du modèle et interprétation
Le modèle Random Forest basé sur la répartition des structures est entraîné pour généraliser à des chémotypes inconnus, répondant ainsi au défi des mutations de résistance comme C797S. L’analyse SHAP décrypte les sous-structures moléculaires qui influencent le plus la puissance, offrant des pistes concrètes pour la conception de médicaments. Les chercheurs valident les prédictions en comparant les analogues virtuels avec PubChem, garantissant que les candidats répondent aux critères de développabilité.
Conception générative et validation
Au-delà de la prédiction, le flux de travail génère de nouveaux composés en recombinant les fragments BRICS issus de molécules actives existantes. Chaque candidat est noté selon plusieurs critères, dont la faisabilité de synthèse et la nouveauté, avant d’être priorisé pour une validation expérimentale. Ce système en boucle fermée relie la modélisation computationnelle à la vérification expérimentale, optimisant la découverte d’inhibiteurs de l’EGFR de nouvelle génération.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.