Comprendre le métabolisme cellulaire avec l'intelligence artificielle
2022 EPFL / Subham Choudhury - CC-BY-SA 4.0
Le métabolisme est essentiel à tous les organismes, et il n’est pas facile de modéliser les réactions chimiques qui rendent la vie possible. A l’EPFL, des scientifiques ont publié REKINDLE, qui ouvre la voie à des modélisations plus efficaces et précises des processus métaboliques grâce au deep learning.
Les organismes métabolisent les nutriments suivant des processus complexes. Dans la littérature scientifique, on peut modéliser ces mêmes processus selon des ensembles d’équations mathématiques aux paramètres uniques pour chaque espèce.
On mesurerait des variables différentes pour un humain, une souris, une bactérie, une levure ou tout organisme vivant. Si l’on avait accès à ces paramètres pour un organisme donné, alors le modèle correspondant serait complet. Il conviendrait aux observations de terrain. Cela permettrait d’effectuer des études in silico pour concevoir de meilleures expériences in vitro et in vivo.
Mais à un niveau pratique, le manque de données expérimentales rend difficile la détermination des paramètres. Pour ce faire, il faut typiquement que les scientifiques aient accès à de larges quantités de données, ainsi qu’à une grande puissance de calcul. Et si l’on pouvait contourner ces besoins, tout en produisant un modèle qui corresponde aux observations et aux mesures expérimentales? C’est précisément ce que proposent les scientifiques de l’EPFL avec REKINDLE: un outil informatique, basé sur les principes du deep learning, qui reproduit les propriétés métaboliques dynamiques observées dans les cellules.
«REKINDLE permettra à la communauté scientifique de réduire de plusieurs ordres de magnitude les efforts computationnels pour produire des modèles cinétiques, explique le codirecteur de l’étude Ljubisa Miskovic, au laboratoire de systèmes biotechnologiques computationnels de l’EPFL. Il aidera aussi à formuler de nouvelles hypothèses en intégrant des données biochimiques dans les modèles, à expliciter des observations expérimentales ou à orienter l’innovation dans les domaines thérapeutiques ou les systèmes biologiques.»
«Le but suprême de la modélisation métabolique est de décrire les comportements métaboliques cellulaires à un degré tel que l’on puisse tester de manière fiable notre compréhension et nos prédictions des états cellulaires et des conditions environnementales dans toute une série d’études en santé, biotechnologie, systèmes biologiques et biologie synthétique, explique Subham Choudhury, premier auteur de l’étude. Nous espérons que REKINDLE facilite la conception de modèles métaboliques pour l’ensemble de la communauté scientifique.»
La méthode revêt des potentiels applicatifs directs. Les modèles cinétiques sont des outils importants pour nombre d’études dans les domaines de la bioproduction, du ciblage des molécules thérapeutiques, des interactions du microbiome et de la bioremédiation.
Par exemple, les scientifiques de l’EPFL sont particulièrement enthousiastes quant aux applications de REKINDLE pour optimiser des réseaux métaboliques de microbes qui produisent des composés chimiques à l’échelle industrielle. Une méthode qui permettrait de remplacer l’industrie pétrochimique traditionnelle par des procédés reposant sur des cellules vivantes.
Dans la recherche, les besoins importants en ressources de calcul et le manque de standardisation des logiciels font obstacle à l’usage généralisé de la modélisation cinétique. Les scientifiques de l’EPFL espèrent que leur dispositif de deep learning unifiera les efforts de la communauté scientifique.
«REKINDLE utilise des librairies Python standards et largement exploitées, ce qui le rend accessible et facile d’utilisation, explique Subham Choudhury. Notre but principal est d’ouvrir la voie à des initiatives de modélisation open source et accessibles, afin que dans la communauté de la biologie synthétique et de systèmes, chacun puisse les utiliser pour se propres travaux, quels qu’en soient les objectifs.»