Obtenir une vue sans précédent des petites molécules grâce à l'apprentissage automatique
Applications en médecine, découverte de médicaments et chimie de l'environnement
Un nouvel outil d'identification des petites molécules offre des avantages pour le diagnostic, la découverte de médicaments et la recherche fondamentale. Un nouveau modèle d'apprentissage automatique aidera les scientifiques à identifier les petites molécules, avec des applications en médecine, en découverte de médicaments et en chimie environnementale. Mis au point par des chercheurs de l'université d'Aalto et de l'université du Luxembourg, le modèle a été entraîné avec les données de dizaines de laboratoires pour devenir l'un des outils les plus précis d'identification des petites molécules.
Petites moldecules - illustration
Matti Ahlgren, Aalto University
Des milliers de petites molécules différentes, appelées métabolites, transportent de l'énergie et transmettent des informations cellulaires dans tout le corps humain. En raison de leur petite taille, les métabolites sont difficiles à distinguer les uns des autres lors de l'analyse d'un échantillon de sang - mais l'identification de ces molécules est importante pour comprendre comment l'exercice, la nutrition, la consommation d'alcool et les troubles métaboliques affectent le bien-être.
Les métabolites sont normalement identifiés en analysant leur masse et leur temps de rétention à l'aide d'une technique de séparation appelée chromatographie liquide suivie d'une spectrométrie de masse. Cette technique sépare d'abord les métabolites en faisant passer l'échantillon dans une colonne, ce qui entraîne différents débits - ou temps de rétention - dans le dispositif de mesure. La spectrométrie de masse est ensuite utilisée pour affiner le processus d'identification en triant les métabolites en fonction de leur masse. Les chercheurs peuvent également décomposer les métabolites en plus petits morceaux pour analyser leur composition à l'aide d'une technique appelée spectrométrie de masse en tandem.
"Même les meilleures méthodes ne permettent pas d'identifier plus de 40 % des molécules présentes dans les échantillons sans faire d'autres hypothèses sur les molécules candidates", explique le professeur Juho Rousu de l'université d'Aalto.
Aujourd'hui, le groupe de M. Rousu a mis au point un nouveau modèle d'apprentissage automatique pour identifier les petites molécules. Ce modèle a été récemment publié dans la revue Nature Machine Intelligence.
"Ce nouveau modèle à code source ouvert offre à l'ensemble de la communauté des chercheurs une vision enrichie des petites molécules. Il aidera la recherche de méthodes permettant d'identifier les troubles métaboliques, comme le diabète, ou même le cancer", explique M. Rousu.
La nouvelle approche permet de contourner élégamment l'un des problèmes auxquels sont confrontées les méthodes conventionnelles. Comme les temps de rétention des molécules varient d'un laboratoire à l'autre, les données ne peuvent être comparées entre laboratoires. Eric Bach, doctorant à Aalto, a proposé une alternative au cours de ses recherches doctorales qui a permis de résoudre le problème.
"Nos recherches montrent que si les temps de rétention absolus peuvent varier, l'ordre de rétention est stable entre les mesures effectuées par différents laboratoires", explique Eric Bach. "Cela nous a permis de fusionner toutes les données publiques disponibles sur les métabolites pour la toute première fois et de les introduire dans notre modèle d'apprentissage automatique."
Grâce à l'incorporation de données provenant de dizaines de laboratoires du monde entier, le modèle d'apprentissage automatique est suffisamment précis pour distinguer les molécules en miroir, appelées variantes stéréochimiques. Jusqu'à présent, les outils d'identification n'ont pas été en mesure de distinguer les variantes stéréochimiques, et cette nouvelle capacité devrait ouvrir de nouvelles voies dans la conception de médicaments et d'autres domaines.
"Le fait que l'utilisation de la stéréochimie améliore les performances d'identification est une révélation pour tous les développeurs de méthodes d'identification de métabolites", déclare Emma Schymanski, professeur associé au Centre luxembourgeois de biomédecine des systèmes (LCSB) de l'Université du Luxembourg. "Cette méthode pourrait également être utilisée pour aider à identifier et tracer les micropolluants dans l'environnement ou caractériser de nouveaux métabolites dans les cellules végétales."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
