Des chercheurs du département de biologie computationnelle de l’université Carnegie Mellon à la faculté d’informatique ont mis au point un nouveau processus qui pourrait redynamiser la recherche de médicaments naturels pour traiter les cancers, les infections virales et d’autres maladies.
Les algorithmes d’apprentissage automatique développés par le laboratoire de métabolomique et de métagénomique font correspondre les signaux des métabolites d’un microbe avec ses signaux génomiques et identifient ceux qui correspondent probablement à un produit naturel. Sachant cela, les chercheurs sont mieux équipés pour isoler le produit naturel et commencer à le développer pour un éventuel médicament.
« Les produits naturels sont toujours l’une des voies les plus efficaces pour la découverte de médicaments », a déclaré Bahar Behsaz, scientifique du projet au laboratoire et auteur principal d’un article sur le processus. « Et nous pensons que nous pouvons aller plus loin avec un algorithme comme le nôtre. Notre modèle de calcul est de plusieurs ordres de grandeur plus rapide et plus sensible. »
Dans une seule étude, l’équipe a pu analyser les données métabolomiques et génomiques d’environ 200 souches de microbes. L’algorithme a non seulement identifié les centaines de médicaments naturels que les chercheurs s’attendaient à trouver, mais il a également découvert quatre nouveaux produits naturels qui semblent prometteurs pour le développement futur de médicaments. Les travaux de l’équipe ont été publiés récemment dans Communication Nature.
L’article, « Integrating Genomics and Metabolomics for Scalable Non-ribosomal Peptide Discovery », décrit le développement par l’équipe de NRPminer, un outil d’intelligence artificielle pour aider à découvrir des peptides non ribosomiques (NRP). Les PNR sont un type important de produit naturel et sont utilisés pour fabriquer de nombreux antibiotiques, médicaments anticancéreux et autres médicaments utilisés en clinique. Ils sont cependant difficiles à détecter et encore plus difficiles à identifier comme potentiellement utiles.
« Ce qui est unique dans notre approche, c’est que notre technologie est très sensible. Elle peut détecter des molécules avec des nanogrammes d’abondance », a déclaré Hosein Mohimani, professeur adjoint et chef du laboratoire. « Nous pouvons découvrir des choses qui sont cachées sous l’herbe. »
La plupart des antibiotiques, des antifongiques et de nombreux médicaments antitumoraux découverts et largement utilisés sont issus de produits naturels.
La pénicilline est l’un des médicaments les plus utilisés et les plus connus dérivés de produits naturels. Il a été en partie découvert par hasard, comme le sont de nombreux médicaments fabriqués à partir de produits naturels. Mais reproduire cette chance est difficile en laboratoire et à grande échelle. Essayer de découvrir des produits naturels demande également beaucoup de temps et de travail, prenant souvent des années et des millions de dollars. Les grandes sociétés pharmaceutiques ont pour la plupart abandonné la recherche de nouveaux produits naturels au cours des dernières décennies.
Cependant, en appliquant des algorithmes d’apprentissage automatique à l’étude de la génomique, les chercheurs ont créé de nouvelles opportunités pour identifier et isoler les produits naturels qui pourraient être bénéfiques.
« Notre espoir est que nous puissions faire avancer cela et découvrir d’autres candidats médicaments naturels, puis les développer dans une phase qui serait attrayante pour les sociétés pharmaceutiques », a déclaré Mohimani. « Bahar Behsaz et moi-même étendons nos méthodes de découverte à différentes classes de produits naturels à une échelle adaptée à la commercialisation. »
L’équipe étudie déjà les quatre nouveaux produits naturels découverts au cours de leur étude. Les produits sont en cours d’analyse par une équipe dirigée par Helga Bode, directrice de l’Institute for Molecular Bioscience de l’Université Goethe en Allemagne, et deux d’entre eux se sont révélés avoir des propriétés antipaludiques potentielles.
Cette étude a été menée en collaboration avec des chercheurs de l’Université de Californie à San Diego ; Université de Saint-Pétersbourg ; l’Institut Max-Planck ; Université Goethe; l’Université du Wisconsin, Madison ; et le laboratoire Jackson.
Source de l’histoire :
Matériaux fourni par L’université de Carnegie Mellon. Original écrit par Aaron Aupperlee. Remarque : Le contenu peut être modifié pour le style et la longueur.
.
