L’apprentissage automatique et ses techniques associées sont particulièrement efficaces pour identifier des motifs dans d’importants ensembles de données et extrapoler ces motifs afin de prédire des éléments encore inconnus. Un exemple de cela est l’analyse des résultats des combinaisons de médicaments à petites molécules et de candidats médicamenteux. La polypharmacologie, qui concerne l’étude des effets de médicaments qui agissent sur plusieurs cibles, reste mal comprise, car les groupes de recherche et développement sont souvent réticents à évaluer les traitements combinés. Les recherches sur les combinaisons de petites molécules destinées à ralentir le vieillissement ont montré que des composés qui modifient le métabolisme de manière modérée, lorsqu’ils sont combinés, n’apportent généralement aucun bénéfice ou plutôt un léger dommage. Cela représente un vaste domaine d’exploration avec peu de connaissances concrètes, mais potentiellement quelques résultats utiles cachés parmi les données. C’est précisément ce type de défi que l’apprentissage automatique peut aider à résoudre, en accélérant le rythme de la découverte. Cependant, il convient de noter que les effets obtenus par ces médicaments sont, au mieux, comparables à ceux de l’exercice physique. Cela ne constitue pas une voie vers une extension radicale de la vie. Parallèlement, la compréhension génétique de la durée de vie s’améliore, mais les stratégies optimales pour concevoir des interventions visant à l’allonger ne sont pas encore claires. Les médicaments à petites molécules, qui constituent la base de l’industrie pharmaceutique, agissent en modulant l’activité des produits géniques, notamment les protéines appelées cibles. La pratique standard de découverte de médicaments exige que les composés thérapeutiques soient hautement spécifiques à une seule cible. Cependant, une inspection plus approfondie des médicaments approuvés par la FDA montre que certains des médicaments les plus efficaces se lient simultanément à plusieurs cibles, et que des analogues plus spécifiques peuvent être moins efficaces. Cela suggère que la polypharmacologie pourrait améliorer l’efficacité pour certaines indications complexes. Dans une étude de criblage de longévité unbiased sur la bibliothèque de composés pharmacologiquement actifs (LOPAC), en particulier des médicaments approuvés par la FDA, un groupe significatif de composés a été identifié comme prolongeant la durée de vie en modulant les systèmes neuroendocriniens et neurotransmetteurs. Il a été observé que la plupart des inhibiteurs des récepteurs couplés aux protéines G (GPCRs) se lient à des cibles structurées connexes, ce qui suggère que ce type de liaison polypharmacologique pourrait augmenter leur efficacité dans l’extension de la durée de vie. Pour tester cette hypothèse, des outils statistiques et d’apprentissage automatique, notamment les réseaux de neurones graphiques (GNNs), ont été utilisés pour identifier des composés géroprotecteurs qui se lient simultanément à plusieurs récepteurs d’amines biogéniques, puis leur efficacité a été évaluée sur la durée de vie de Caenorhabditis elegans. Plus de 70 % des composés sélectionnés ont prolongé la durée de vie, avec des tailles d’effet dans le top 5 % comparées à tous les géroprotecteurs enregistrés dans la base de données DrugAge. Ainsi, cette étude révèle que la conception rationnelle de composés polypharmacologiques permet de concevoir des géroprotecteurs d’une efficacité exceptionnelle. Source : https://www.fightaging.org/archives/2025/05/machine-learning-applied-to-polypharmacology-to-slow-aging/
L’impact de l’apprentissage automatique sur la découverte de médicaments géroprotecteurs
