Modèles d'apprentissage machine QSAR et leurs applications pour l'identification de thérapies potentielles de lutte contre la COVID-19

Utilisation de QSAR pour identifier les thérapeutiques de lutte contre la COVID-19


Malgré des efforts et investissements considérables, au cours des sept mois qui se sont écoulés depuis que l'Organisation mondiale de la santé a déclaré la COVID-19 comme une pandémie, les traitements thérapeutiques efficaces pour les patients souffrant de cette maladie sont restés hors de portée. Afin de contribuer à l'identification de traitements antiviraux efficaces susceptibles d'atténuer l'impact du virus, un groupe de scientifiques et de technologues de CAS a cherché à identifier des candidats médicaments possibles pour traiter la COVID-19 à l'aide de modèles d'apprentissage machine prédictifs. La méthodologie QSAR (Quantitative Structure-Activity Relationships) a été utilisée pour construire et tester plus de 40 modèles pour les cibles protéiques virales prioritaires 3CLpro ou RdRp. Les modèles de classification les plus performants ont été appliqués pour passer au crible un ensemble de plus de 150 000 substances chimiques, dont des médicaments homologués par la FDA. Ces travaux ont permis d'identifier un certain nombre de médicaments dont l'efficacité clinique commence à être démontrée, notamment le Lopinavir et le Telmisartan, ainsi que de nombreuses autres substances candidates à l'étude.

Nous espérons que cet effort, qui a combiné l'organisation de données humaines et des modèles prédictifs d'apprentissage machine pour identifier des candidats médicaments potentiels à base de petites molécules pour lutter contre la COVID-19, souligne la valeur de la synergie entre les humains et les machines dans la découverte de médicaments, tout en contribuant aux efforts de recherche antivirale en cours pour lutter contre la COVID-19 et au-delà.

Lire l'article dans ACS Omega 


Autres lectures