IA GPS Prédit des Médicaments pour le Cancer du Foie

## Plateforme IA GPS pour prédire l'expression génique à partir de structures moléculaires

Des scientifiques de la Michigan State University ont développé la plateforme GPS (Gene expression profile Predictor on chemical Structures), qui analyse la structure des composés chimiques et prédit leur impact sur l'expression génique. Le modèle fonctionne uniquement avec des formules moléculaires, sans aucun test en laboratoire. Entraîné sur des millions de points de données expérimentales, GPS résout une tâche de classification : régulation positive ou négative de l'activité génique pour chaque composé. Cela permet un criblage virtuel des candidats médicaments.

La plateforme a déjà identifié des composés prometteurs pour le carcinome hépatocellulaire (HCC) — une forme hautement létale de cancer du foie — et la fibrose pulmonaire idiopathique (IPF), où la survie médiane n'est que de trois ans. Les résultats ont été validés par des tests in vivo et ex vivo et publiés dans la revue Cell.

Architecture et entraînement de GPS

GPS est entraîné sur un vaste ensemble de données expérimentales de mesures d'expression génique. Le défi principal est le bruit dans les données biologiques. Comme le note la co-auteure Jiayu Zhou, le modèle se concentre sur les signaux forts tout en ignorant le bruit faible. Cela est obtenu grâce à des techniques d'apprentissage robustes, où la structure de la molécule (représentations SMILES ou graphes) est fournie directement en entrée.

Processus :

• Données d'entrée : Structure moléculaire (formule, graphe).
• Traitement : Encodage en représentations vectorielles (par exemple, via des réseaux de neurones graphiques).
• Sortie : Vecteur de prédiction pour l'expression génique sur des milliers de gènes (régulation positive/négative).
• Entraînement : Classification multi-tâches sur des millions de paires composé-gène.

Le modèle ne nécessite aucune expérience préalable, accélérant la phase de découverte dans le développement de médicaments.

Application au carcinome hépatocellulaire

Pour le HCC — la troisième forme de cancer la plus mortelle —, GPS a sélectionné deux composés novateurs. Des tests sur des modèles murins ont montré une réduction de la masse tumorale. Les composés modulent des gènes clés impliqués dans la prolifération des hépatocytes et l'angiogenèse. C'est une première étape vers des candidats, mais une optimisation supplémentaire est nécessaire pour la spécificité et la biodisponibilité.

Résultats pour la fibrose pulmonaire idiopathique

L'IPF est une maladie progressive avec de faibles taux de survie. GPS a identifié :

• Un médicament repositionné (issu de médicaments existants).
• Deux composés novateurs.

La validation a été effectuée sur des souris et des explants de tissu pulmonaire humain de Corewell Health. Les composés suppriment les voies fibrotiques (signalisation TGF-β), réduisant le dépôt de collagène. L'auteur principal Xiaopeng Li met en avant l'approche systématique IA, en contraste avec deux décennies d'échecs traditionnels.

Code open-source et perspectives futures

L'équipe de la MSU, Stanford et de l'University of Michigan a mis en open-source le code de GPS. La plateforme peut cribler n'importe quels composés contre des cibles en oncologie, fibrose et autres domaines. Soutenue par le NIH et le NSF.

Edmund Ellsworth, directeur du Center for Medicinal Chemistry de la MSU, avertit : passer des hits à des médicaments approuvés prend des années d'optimisation, d'essais précliniques et cliniques. Le développement est un processus itératif impliquant des équipes interdisciplinaires (>20 spécialistes sur le projet).

Points clés :

• GPS prédit l'expression génique uniquement à partir de la structure, sans laboratoire humide.
• Hits validés pour le HCC (réduction tumorale chez la souris) et l'IPF (tissu humain ex vivo).
• Code open-source pour un criblage communautaire.
• Évolutif vers d'autres maladies.
• Résistance au bruit comme clé de la précision sur des données bio bruyantes.

La plateforme change le paradigme en découverte de médicaments computationnelle en se focalisant sur des hits pilotés par la prédiction.

— Editorial Team