Un outil d'IA cartographie le métabolisme cellulaire avec précision

© EPFL/iStock photos (janiecbros)

© EPFL/iStock photos (janiecbros)

Des scientifiques de l’EPFL ont mis au point un outil d’intelligence artificielle (IA) capable de créer des modèles détaillés du métabolisme cellulaire, ce qui permet de mieux comprendre le fonctionnement des cellules.

Comprendre comment les cellules traitent les nutriments et produisent de l’énergie, ce que l’on appelle le métabolisme, est un élément essentiel en biologie. Mais l’analyse des grandes quantités de données sur les processus cellulaires pour déterminer les états métaboliques est une tâche complexe.

La biologie moderne génère de vastes ensembles de données sur diverses activités cellulaires. Ces ensembles de données «omiques» apportent des informations sur différentes fonctions cellulaires comme l’activité des gènes et les taux de protéines. Mais il est difficile d’intégrer et d’exploiter ces ensembles de données pour comprendre le métabolisme cellulaire.

Les modèles cinétiques sont un moyen de décoder cette complexité en fournissant des représentations mathématiques du métabolisme cellulaire. Ils servent de cartes détaillées qui décrivent comment les molécules interagissent et se transforment dans une cellule, et comment les substances sont converties en énergie et en d’autres produits. Les scientifiques peuvent ainsi mieux comprendre les processus biochimiques qui sont à la base du métabolisme cellulaire. Les modèles cinétiques présentent un grand potentiel, mais leur développement est un défi du fait de la difficulté à déterminer les paramètres qui contrôlent les processus cellulaires.

Une équipe de chercheuses et chercheurs sous la houlette de Ljubisa Miskovic et de Vassily Hatzimanikatis de l’EPFL a récemment créé RENAISSANCE, un outil d’IA qui simplifie la création de modèles cinétiques. RENAISSANCE combine divers types de données cellulaires pour décrire avec précision les états métaboliques, ce qui permet de mieux comprendre le fonctionnement des cellules. Cet outil représente une avancée majeure en matière de biologie computationnelle, ouvrant de nouvelles voies de recherche et d’innovation dans les domaines de la santé et de la biotechnologie.

Les chercheuses et chercheurs ont eu recours à RENAISSANCE pour créer des modèles cinétiques reproduisant avec précision le comportement métabolique d’Escherichia coli. Cet outil a généré avec succès des modèles qui correspondent aux comportements métaboliques observés de manière expérimentale, simulant la façon dont les bactéries adapteraient leur métabolisme dans un bioréacteur.

Les modèles cinétiques se sont également avérés solides, conservant leur stabilité même en cas de perturbations génétiques et environnementales. Cela indique que les modèles peuvent prédire avec fiabilité la réponse cellulaire à différents scénarios, ce qui renforce leur utilité pratique dans la recherche et les applications industrielles.

«Malgré les progrès des techniques omiques, la couverture insuffisante des données est un défi permanent, déclare Ljubisa Miskovic. Par exemple, la métabolomique et la protéomique ne peuvent détecter et quantifier qu’un nombre limité de métabolites et de protéines. Les techniques de modélisation qui intègrent et rapprochent les données omiques provenant de diverses sources peuvent compenser cette lacune et améliorer la compréhension des systèmes. En combinant les données omiques et d’autres informations pertinentes, comme le contenu du milieu extracellulaire, les données physicochimiques et les connaissances de spécialistes, RENAISSANCE nous permet de quantifier avec précision des états métaboliques intracellulaires inconnus, y compris les flux métaboliques et les concentrations de métabolites.»

La capacité de RENAISSANCE à modéliser avec précision le métabolisme cellulaire a des répercussions importantes. Cet outil performant permet d’étudier les changements métaboliques dans la santé et la maladie, et facilite le développement de nouveaux traitements et de nouvelles biotechnologies. Sa facilité d’utilisation et son efficacité permettront à un plus grand nombre de chercheuses et chercheurs du milieu universitaire et de l’industrie d’utiliser efficacement les modèles cinétiques, et favoriseront la collaboration.

Financement

Fonds national suisse de la recherche scientifique

Programme de recherche Horizon 2020 de l’Union européenne

Conseil suédois de la recherche Vetenskapsradet

EPFL

Références

Choudhury, S., Narayanan, B., Moret, M., Hatzimanikatis, V. Miskovic, L. Generative machine learning produces kinetic models that accurately characterize intracellular metabolic states. Nature Catalysis 30 août 2024. DOI: 10.1038/s41929-024-01220-6


Auteur: Nik Papageorgiou

Source: Sciences de Base | SB

Ce contenu est distribué sous les termes de la licence Creative Commons CC BY-SA 4.0. Vous pouvez reprendre librement les textes, vidéos et images y figurant à condition de créditer l’auteur de l’œuvre, et de ne pas restreindre son utilisation. Pour les illustrations ne contenant pas la mention CC BY-SA, l’autorisation de l’auteur est nécessaire.