Source: GDJ / Pixabay
L’apprentissage automatique de l’intelligence artificielle (IA) est une technologie transformatrice qui accélère la recherche scientifique. L’immédiateté des gains se déploie rapidement dans les domaines de la biotechnologie, de la pharmacie et des sciences de la vie. Dans une étude récente publiée dans Cellule, des scientifiques affiliés à la NIH Brain Research via Advancing Innovative Neurotechnologies® (BRAIN) Initiative ont créé un capteur utilisant l’apprentissage automatique qui est capable de détecter les changements en temps réel dans les niveaux de sérotonine cérébrale, un outil neuroscientifique pour permettre la recherche sur l’impact du neurotransmetteur sur le sommeil et la santé mentale.
La sérotonine (également connue sous le nom de 5-hydroxytryptamine ou 5-HT) est un neurotransmetteur que le corps utilise pour envoyer des messages entre les cellules nerveuses. C’est le précurseur de la mélatonine et joue donc un rôle dans les cycles de sommeil du corps. La sérotonine est liée à une influence sur la digestion, l’appétit, les émotions et l’humeur. De faibles niveaux de sérotonine peuvent jouer un rôle dans l’insomnie et la dépression. La sérotonine est utilisée pour traiter l’anxiété, les migraines, la dépression, les troubles paniques, le SSPT, le trouble obsessionnel-compulsif, le comportement agressif, la phobie sociale, la boulimie mentale, le trouble dysphorique prémenstruel et de nombreux autres troubles psychiatriques et neurologiques.
L’opportunité de marché pour le traitement du sommeil et de la santé mentale augmente, avec une augmentation prévue de la demande déclenchée par la pandémie de COVID-19. D’ici 2030, le marché mondial des somnifères devrait atteindre 162,5 milliards USD, selon un rapport de Research and Markets de juillet 2020. Le marché mondial du traitement des troubles anxieux et de la dépression devrait atteindre 19,21 milliards USD d’ici 2027, et les inhibiteurs sélectifs de la recapture de la sérotonine (ISRS) et les inhibiteurs de la recapture de la sérotonine-noradrénaline (IRSN) sont parmi les antidépresseurs les plus fréquemment prescrits, selon les chiffres de juillet 2020 de Rapports et données. Pour mettre l’opportunité de marché dans son contexte, la valeur totale du marché mondial des gants médicaux en comparaison devrait atteindre 20,4 milliards USD entre 2020 et 2030, selon les chiffres de novembre 2020 de Research and Markets.
Des scientifiques de la Davis School of Medicine de l’Université de Californie ont dirigé la recherche sous la direction du chercheur principal Lin Tian, qui dirige un laboratoire axé sur la neurophysiologie optique, en collaboration avec des scientifiques du laboratoire de Loren Looger au Howard Hughes Medical Institute Janelia Research Campus, et Viviana Gradinaru à Caltech.
Pour concevoir un médicament efficace pour les circuits sérotoninergiques, il est essentiel d’avoir la capacité d’observer le transport et la libération de la sérotonine dans le cerveau en temps réel et en haute résolution. L’équipe de recherche a appliqué l’apprentissage automatique de l’IA à la tâche de prédire la conception d’un tel capteur de sérotonine.
«Nous avons développé et appliqué une stratégie de refonte de la poche de liaison, guidée par l’apprentissage automatique, pour créer un capteur de sérotonine fluorescent haute performance, soluble (iSeroSnFR), permettant la détection optique des transitoires de sérotonine à l’échelle de la milliseconde», ont rapporté les chercheurs. «Nous démontrons qu’iSeroSnFR peut être utilisé pour détecter la libération de sérotonine chez des souris se comportant librement pendant le conditionnement de la peur, l’interaction sociale et les transitions sommeil / éveil. Nous avons également développé un test robuste de la fonction du transporteur de la sérotonine et de la modulation par les médicaments. »
«Notre approche d’évolution dirigée combinée Rosetta et guidée par l’apprentissage automatique a été assez efficace», ont écrit les chercheurs. «Après un seul tour de chaque, nous avons criblé moins de 2 600 variantes, mais nous avons considérablement amélioré l’affinité, la spécificité et la réponse de fluorescence du capteur. Après seulement deux autres cycles d’évolution dirigée guidée par l’apprentissage automatique, nous avons examiné un total d’environ 16000 variantes, interrogé plus de 60 positions d’échafaudage de protéines différentes et introduit 19 mutations dans notre capteur final, augmentant son affinité 5-HT de> 5 000 fois, abolissant la liaison choline / ACh et multipliant par 3 la réponse de fluorescence par rapport à l’échafaudage de départ, iAChSnFR0.6. »
Avec cette nouvelle preuve de concept, cette approche peut non seulement être utilisée pour créer d’autres capteurs neuromodulateurs, mais aussi plus largement pour l’ingénierie complexe des protéines – une nouvelle façon d’accélérer la découverte de nouveaux médicaments et de nouveaux traitements dans le but d’améliorer la condition humaine. A l’avenir.
Copyright © 2021 Cami Rosso Tous droits réservés.