Contrairement aux antibiotiques, les médicaments antiviraux sont généralement conçus pour cibler un seul virus. En raison de l'étroitesse de leur champ d'action, il n'est pas rentable pour les sociétés pharmaceutiques d'investir dans le développement de nouveaux antiviraux. En conséquence, les traitements non liés au VIH représentent moins de 1 % du marché thérapeutique total, ce qui contraste directement avec la prédominance des maladies infectieuses dans l'expérience humaine quotidienne. Bien que la solution évidente à ce problème soit de développer des antiviraux pouvant être utilisés pour traiter de multiples maladies infectieuses, trouver de tels médicaments à large spectre s'est avéré être un objectif très difficile à atteindre pour la communauté scientifique.
Une étude révolutionnaire menée en collaboration entre le laboratoire du Professeur Roee Amit de la Faculté de biotechnologie et d'ingénierie alimentaire du Technion et le groupe du Professeur Yaron Orenstein de l'école d'ingénierie électrique et informatique de l'Université Ben-Gurion du Néguev offre une voie possible pour atteindre cet objectif. L'étude, dirigée par le Docteur Noa Katz, démontre qu'une approche combinant la biologie synthétique et le machine learning peut aboutir à la découverte de molécules capables de se lier aux protéines de deux virus distincts.
La méthode traditionnelle d'identification des produits thérapeutiques consiste à appliquer un crible à faible débit et à forte intensité de travail pour trouver des molécules susceptibles de remplir la fonction requise. En revanche, l'approche de la biologie synthétique et du machine learning vise à cartographier l'espace des interactions potentielles afin de pouvoir prédire de manière fiable les molécules présentant les propriétés souhaitées. Pour ce faire, on génère d'abord un ensemble de données expérimentales de grande taille et de haute qualité à partir d'une bibliothèque (c'est-à-dire une collection) de diverses molécules connues et suspectées de se lier à des protéines virales. Cet ensemble de données est ensuite utilisé pour entraîner un réseau neuronal afin de lui permettre de former une fonction mathématique multidimensionnelle représentant la capacité de liaison aux protéines du collectif.
Une fois calculée, cette fonction peut être utilisée en sens inverse. En d'autres termes, elle peut être utilisée pour identifier les régions à forte capacité de liaison et extraire des molécules "prédites" qui n'ont pas été testées auparavant. Ces molécules inédites ou prédites peuvent ensuite être synthétisées et testées pour la fonctionnalité biologique souhaitée. Les chercheurs ont appliqué cette approche pour cartographier l'espace de liaison de deux protéines d'enveloppe distinctes provenant de deux virus attaquant les bactéries, puis ont synthétisé et validé des molécules d'ARN prédites à l'interface entre les deux espaces, et qui possèdent donc les deux fonctionnalités. Cette réalisation fournit à la communauté scientifique le modèle d'une approche qui peut être utilisée pour identifier de nouvelles séquences d'ARN qui pourraient potentiellement devenir des ingrédients clés de médicaments antiviraux à large spectre.
Recevez les actualités du Technion France
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form