L. Bardon . – Deepmind est bien connue pour ses réalisations dans le domaine de l’intelligence artificielle (IA). AlphaGo et AlphaZero, par exemple, ont récemment fait couler beaucoup d’encre. Néanmoins, le travail accompli par une autre équipe du même laboratoire de R&D n’a pas disposé de la même aura médiatique, et de très loin. Cette équipe de scientifiques et d’ingénieurs des données a récemment travaillé sur un nouvel algorithme. Un algorithme qu’ils ont introduit à la fin de l’année dernière. Ils l’ont appelé AlphaFold. Fin 2018, AlphaFold de DeepMind a remporté la première place dans le prestigieux concours CASP. CASP (Critical Assessment of Structure Prediction) est un concours scientifique biennal établi en 1994 qui a eu lieu pour la 13e fois. C’est un peu comme l’Oscar de la biologie moléculaire et des structures protéiques décerné par Hollywood. Les algorithmes AlphaFolds ont été capables de prédire correctement le pliage de 25 des 43 structures de protéines données, soit un résultat avec 58 % de précision (l’équipe qui s’est classée deuxième a atteint 7 % de précision). Cela signifie que dans 58% des protéines données, AlphaFold a été capables de prédire la structure de pliage 3D à partir de la séquence ADN. Selon le paradoxe de Leventhal, le temps nécessaire pour essayer tous les plis possibles de cette chaîne de 100 acides aminés pour déterminer lequel est le bon, serait plus long que l’âge de l’univers.
Un nouvel outil d’apprentissage en profondeur appelé Metabolic Translator pourrait bientôt donner aux chercheurs une meilleure idée de la façon dont les médicaments en cours de développement se comporteront dans le corps humain.
Lorsque vous prenez un médicament, vous voulez savoir précisément comment il agit. Metabolic Translator, un outil de calcul qui prédit les métabolites, produits des interactions entre les petites molécules comme les médicaments et les enzymes, pourrait contribuer à améliorer le processus. Ce nouvel outil tire parti de méthodes d’apprentissage en profondeur et de l’accès à des ensembles de données sur les réactions massives pour donner aux développeurs une vue d’ensemble des effets d’un médicament.
La méthode n’est pas limitée par les règles que les entreprises utilisent pour déterminer les réactions métaboliques, ce qui ouvre la voie à de nouvelles découvertes. Les chercheurs ont formé Metabolite Translator pour prédire les métabolites par le biais de n’importe quelle enzyme, mais ont mesuré son succès par rapport aux méthodes existantes basées sur des règles qui sont axées sur les enzymes du foie. Ces enzymes sont responsables de la détoxification et de l’élimination des xénobiotiques, comme les médicaments, les pesticides et les polluants. Cependant, des métabolites peuvent également se former par le biais d’autres enzymes.
En raison du manque de données expérimentales, le laboratoire a utilisé l’apprentissage par transfert pour développer Metabolite Translator. Les chercheurs ont d’abord préformé un modèle de Transformer via 900 000 réactions chimiques connues, puis l’ont affiné avec des données concernant les transformations métaboliques humaines.
La suite ici (Mike Williams-Rice)
