2024-01-29 05:00:00
Qu’est-ce qui relie ChatGPT et les antibiotiques ?
L’histoire a une curieuse réponse : 1944. Cette année-là, les scientifiques ont proposé le premier réseau neuronal artificiel, une technologie qui a ensuite conduit à la naissance de systèmes d’apprentissage profond et d’intelligence artificielle comme ChatGPT. La même année, des biologistes découvrent la streptomycine, le premier antibiotique aminoglycoside au monde. Cela allait bientôt révolutionner le traitement de maladies potentiellement mortelles comme la tuberculose.
Aujourd’hui, nous avons un lien plus profond entre l’apprentissage profond et les antibiotiques. Dans un article paru en décembre 2023 dans Nature, des scientifiques ont rapporté avoir découvert une nouvelle classe d’antibiotiques utilisant une forme d’apprentissage en profondeur qui suscite de plus en plus d’attention.
Selon leur article, la dernière classe structurelle connue d’antibiotiques a été signalée en 2000. Leurs travaux ont ainsi mis fin à une attente de plusieurs décennies pour une nouvelle classe.
Les chercheurs provenaient du Broad Institute, d’Integrated Biosciences Inc., du Wyss Institute for Biologically Inspired Engineering et du Leibniz Institute of Polymer Research.
« Améliorer le développement de médicaments »
L’équipe a également démontré l’efficacité de deux composés de cette nouvelle classe d’antibiotiques chez des souris infectées par Staphylococcus aureus résistant à la méthicilline (SARM). Les infections à SARM ont été responsables de plus de 100 000 décès humains en 2019.
Amitesh Anand, biologiste qui étudie le métabolisme bactérien à l’Institut Tata de recherche fondamentale de Mumbai, a salué l’étude pour avoir fait progresser « notre compréhension de la recherche spécifique sur les antibiotiques » et fourni « un modèle plus large pour améliorer les stratégies de développement de médicaments ».
Le chercheur en IA Vineeth Balasubramanian, professeur d’informatique et d’ingénierie à l’IIT Hyderabad, a qualifié l’étude d’« impressionnante ». «Être capable d’isoler des sous-structures qui ont une certaine propriété testée peut être essentiel à la compréhension scientifique ainsi qu’à l’accélération des efforts de découverte de médicaments», a-t-il déclaré.
Deep-learning, expliquez-vous
Tous les réseaux de neurones artificiels sont constitués de « neurones » artificiels. Ce sont des algorithmes qui reçoivent une entrée, effectuent un calcul et relaient la sortie. Les réseaux neuronaux d’apprentissage profond comportent au moins trois couches de ces « neurones ».
L’utilisation de ces réseaux de neurones pour faire des prédictions comporte deux étapes : la formation et les tests. En formation, le réseau est doté d’une grande quantité d’entrées annotées. Par exemple, si le réseau est formé pour identifier des images de chats, il reçoit de nombreuses images de ce type étiquetées « chat ».
Pendant les tests, le réseau voit des images en dehors de l’ensemble de données d’entrée, par exemple celle d’un chat que le réseau n’a pas rencontré pendant l’entraînement et une autre d’un chien. Si le réseau est capable de classer avec précision le premier comme « chat » et le second comme « pas chat », on dit que le réseau a « appris ».
Avec la plupart des réseaux d’apprentissage profond, les chercheurs n’ont pas été en mesure d’identifier les aspects de la nouvelle contribution que le réseau a utilisés pour procéder à son évaluation. Cela fait de la plupart des modèles d’apprentissage profond une boîte noire.
D’un autre côté, le réseau rapporté dans la nouvelle étude était explicable, ce qui est le contraire. Selon le professeur Balasubramanian, cela s’apparenterait à « un modèle d’apprentissage profond prédisant une image comme celle d’un chat, puis expliquant quels pixels de l’image ont aidé le modèle à faire cette prédiction ».
Ceci est considéré comme important dans la découverte des antibiotiques. Si l’apprentissage profond peut identifier les antibiotiques potentiels et également expliquer quelles sous-structures peuvent contribuer à son activité antibiotique, les scientifiques peuvent synthétiser et tester plus rapidement des composés dotés de ces sous-structures.
Prédictions et justifications
Inspiré par l’idée d’ouvrir la « boîte noire », Felix Wong, chercheur au Broad Institute, co-fondateur d’Integrated Biosciences et auteur principal de l’article, a commencé par cribler expérimentalement plus de 39 000 composés pour leur capacité à inhiber la croissance de S. aureus. Ceux-ci contenaient « les antibiotiques les plus connus, les produits naturels et les molécules structurellement diverses », écrivent les auteurs. Ils ont finalement sélectionné 512 composés.
Ensuite, l’équipe a formé un réseau neuronal graphique (GNN) sur cet ensemble de données. Un GNN représente les atomes comme des « nœuds » et les liaisons entre eux comme des « arêtes » sur un graphique mathématique.
Lors de leur recherche d’antibiotiques, les chercheurs veillent à choisir des composés qui ne nuisent pas aux cellules humaines. En testant les 512 composés actifs sur des cellules humaines cultivées en laboratoire, les chercheurs ont trouvé 306 composés répondant à ce critère. L’équipe a également formé d’autres GNN pour identifier les composés cytotoxiques.
Au cours de la phase de test, les GNN ont été exposés à une base de données de plus de 1,2 crore de composés, et les réseaux ont identifié 3 646 composés qui pourraient être des antibiotiques.
Les chercheurs ont émis l’hypothèse que les GNN faisaient leurs prédictions sur la base des sous-structures d’une molécule. (Par exemple, plusieurs antibiotiques ont des sous-structures appelées anneaux bêta-lactamines.) L’équipe a surnommé ces sous-structures directement responsables de la propriété antibiotique d’un composé « justifications ».
Contre le SARM et les ERV
Notamment, les composés étaient également efficaces contre les entérocoques résistants à la vancomycine (ERV), une bactérie responsable de plus de 5 400 décès aux États-Unis en 2017.
Les résultats signifient que l’équipe peut effectuer davantage de tests pour vérifier leur potentiel en tant qu’antibiotiques contre le SARM. Selon le professeur Balasubramanian, « il y a beaucoup plus d’études et d’étapes avant qu’un médicament ne soit réellement utilisé ».
à la lacune
La contribution clé de l’étude réside dans la manière de rendre explicables les approches d’apprentissage profond en matière de découverte de médicaments. Selon le professeur Balasubramanian, cela est significatif « surtout si la méthode est reproductible entre les catégories de médicaments ».
Le professeur Balasubramanian a également signalé une lacune dans la nouvelle étude : les chercheurs avaient évalué l’explicabilité de leur système après avoir prédit la propriété antibiotique de certains composés.
Comme alternative, il a suggéré que les chercheurs pourraient intégrer implicitement l’explicabilité dans leurs modèles d’apprentissage en profondeur – une direction que son groupe à l’IIT Hyderabad a exploré. Selon lui, cela reviendrait à « apprendre au modèle à apprendre à prédire via un raisonnement, qui est plus robuste ».
Sayantan Datta est journaliste scientifique et membre du corps professoral de l’Université Krea. Ils tweetent à @queersprings.
#réseau #neuronal #explique #comment #trouvé #nouvel #antibiotique