Une nouvelle méthode d’apprentissage automatique pour modéliser les niveaux d’expression des gènes pourrait améliorer l’identification des gènes responsables de maladies humaines, selon une nouvelle étude menée par des chercheurs du Penn State College of Medicine. Grâce à des informations sur la structure tridimensionnelle (3D) des génomes et de l’épigénétique – ; comment les gènes et l’environnement influencent conjointement les maladies – ; les chercheurs ont pu identifier des gènes associés à des traits et des maladies complexes. Ces gènes de maladies identifiés aident également à désigner des médicaments qui peuvent être réutilisés pour traiter de nouveaux troubles.
Le développement et l’approbation de nouveaux médicaments sur ordonnance peuvent être un processus long et coûteux. Cependant, les résultats de cette étude pourraient partiellement changer cela à l’avenir. Au lieu de développer de nouveaux médicaments, les sociétés pharmaceutiques pourraient économiser du temps et de l’argent en réaffectant des médicaments qui ont déjà été approuvés par la Food and Drug Administration pour traiter d’autres troubles, selon les chercheurs.
Le génome humain est constitué d’instructions génétiques, ou ADN, essentielles à la santé et à la maladie. Pour exécuter ces instructions, l’ADN doit être lu et exprimé, et la variation génétique influencera l’expression des gènes. Le même gène peut être exprimé plus haut (ou plus bas) chez les personnes atteintes de certaines mutations, qui peuvent provoquer des maladies. Les scientifiques analysent des collections de lectures de gènes – ; ou transcriptome – ; présent dans les cellules de centaines de milliers d’individus. Les analyses du transcriptome peuvent identifier les gènes exprimés de manière différentielle entre les personnes atteintes et non malades, et ainsi conduire à une nouvelle compréhension des gènes associés à certaines conditions.
Pour la nouvelle méthode de données, PUMICE (Prediction Using Models Informed by Chromatin Conformations and Epigenomics), les chercheurs de Penn State ont intégré des données transcriptomiques, épigénomiques et génomiques 3D à l’aide d’une nouvelle approche d’apprentissage automatique. Selon l’étude, PUMICE a réussi à identifier des médicaments capables d’inverser le niveau d’expression des gènes de la maladie et pouvant être réutilisés pour traiter diverses maladies humaines.
Les approches traditionnelles qui examinent un médicament et une maladie à la fois peuvent être très inefficaces. En revanche, une approche d’apprentissage automatique basée sur les mégadonnées, telle que PUMICE, peut révolutionner la recherche biologique et clinique. Cela accélérera considérablement le processus d’identification de cibles thérapeutiques prometteuses et accélérera le développement de médicaments. »
Dajiang Liu, co-auteur principal et professeur agrégé de sciences de la santé publique et de biochimie et de biologie moléculaire à Penn State
À l’aide de PUMICE, les chercheurs ont identifié des traitements potentiels pour des conditions médicales telles que le COVID-19, la maladie d’Alzheimer et des maladies auto-immunes telles que la maladie de Crohn, la polyarthrite rhumatoïde, la colite ulcéreuse et le vitiligo, une condition de pigmentation de la peau. Ils ont noté que certains des médicaments identifiés sont déjà en cours d’évaluation dans des essais cliniques, notamment le baracitinib, un médicament pour traiter le COVID-19.
« Pouvoir redécouvrir des médicaments qui sont déjà en cours d’essais cliniques montre la puissance de notre approche », a déclaré Bibo Jiang, co-auteur principal et professeur adjoint de sciences de la santé publique à Penn State. « Nous concevrons des expériences de suivi pour valider de nouveaux médicaments et identifier les plus prometteurs pour des tests supplémentaires dans des lignées cellulaires et des modèles animaux, et éventuellement dans des essais cliniques. »
Chachrit Khunsriraksakul, étudiant en médecine / doctorat à la Penn State School of Medicine, a dirigé l’étude. Les chercheurs de Penn State Daniel McGuire, Renan Sauteraud, Fang Chen, Lina Yang, Lida Wang, Jordan Hughey, Scott Eckert, J. Dylan Weissenkampen, Ganesh Shenoy, Olivia Marx et Laura Carrel ont contribué à cette recherche.
Penn State College of Medicine
Khunsriraksakul, C. et coll. (2022) Intégration de données génomiques et épigénomiques 3D pour améliorer la découverte de gènes cibles et la réutilisation de médicaments dans des études d’association à l’échelle du transcriptome. communication nature. doi.org/10.1038/s41467-022-30956-7.