dans

Le machine learning accélère le repositionnement de médicaments

Le machine learning accélère le repositionnement de médicaments

Des chercheurs ont appliqué le machine learning à leur nouvelle approche de repositionnement de médicaments.

L’intelligence artificielle sous ses différentes formes est actuellement très utilisée dans le domaine de la médecine. Entre autres avantages, elle permet d’améliorer la recherche et le développement de nouveaux traitements. Cette fois, le machine learning a aidé les chercheurs à trouver de nouvelles utilisations pour les médicaments existants. 

Le repositionnement ou la réorientation de médicaments consiste à trouver de nouvelles utilisations thérapeutiques pour des traitements existants. Les effets indésirables d’un médicament indiquent parfois que certaines molécules peuvent cibler des cellules autres que celles qui sont relatives à la maladie à soigner. Par déduction, les scientifiques ont conclu qu’un médicament peut avoir plus d’une seule utilité.

En utilisant un traitement déjà approuvé, les scientifiques disposent déjà des informations sur les avantages et les risques sur un patient. D’autre part, si un traitement classé inefficace pour une maladie ne présente pas de caractères toxiques, il peut être remis sur le marché pour une autre utilisation. Cela permet d’éviter de refaire des essais cliniques. En somme, le repositionnement permet d’économiser du temps et de l’argent pour la recherche et le développement de médicaments.

Le repositionnement de médicaments et le rôle du machine learning

Dans ce cadre, une équipe de chercheurs de l’université d’Hokkaido, dirigée par Toshinori Endo, propose une nouvelle approche. Pour effectuer un repositionnement de médicaments, l’étude consistait à effectuer une analyse prédictive en deux étapes en s’appuyant sur le machine learning.

Dans un premier temps, les chercheurs ont regroupé les maladies en fonction de leur expression génétique. Ils sont partis du principe que si les expressions génétiques altérées affichent des schémas similaires, cela signifie que les maladies présentent des voies critiques communes. La deuxième étape consiste à déterminer l’efficacité d’un médicament, c’est-à-dire en évaluant sa capacité à inverser l’expression génétique altérée. En regroupant les résultats, les chercheurs peuvent alors identifier les nouvelles maladies cibles.

Là où le machine learning intervient, c’est dans l’identification et dans l’intégration à grande échelle des informations obtenues. Selon l’équipe, les résultats de calculs étaient supérieurs à ceux des études précédentes. En d’autres termes, le machine learning améliore la probabilité de réussite du positionnement des médicaments.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.