GraphDTA : prévision de l'affinité de liaison médicament-cible à l'aide de réseaux de convolution de graphes

Bien que le développement de nouveaux médicaments soit coûteux, long et souvent accompagné de problèmes de sécurité, le réemploi de médicaments — c’est-à-dire l’utilisation de traitements existants, dont la sécurité est établie, pour des indications médicales différentes de celles pour lesquelles ils ont été initialement conçus — constitue une alternative particulièrement attrayante. Dans ce contexte, la compréhension du mécanisme par lequel un médicament ancien agit sur une nouvelle cible devient une étape cruciale du réemploi pharmaceutique et suscite un intérêt croissant. Plusieurs modèles statistiques et d’apprentissage automatique ont été proposés pour estimer l’affinité de liaison médicament-cible, et les approches fondées sur l’apprentissage profond se sont révélées parmi les méthodes les plus performantes. Toutefois, dans ces modèles, les médicaments et les cibles étaient généralement représentés sous forme de chaînes unidimensionnelles (1D), malgré le fait que les molécules soient intrinsèquement des structures résultant de liaisons chimiques entre atomes. Dans ce travail, nous proposons GraphDTA, une méthode conçue pour capturer l’information structurale des médicaments, ce qui pourrait améliorer la puissance prédictive de l’affinité de liaison. Plus précisément, contrairement aux méthodes concurrentes, les médicaments sont représentés sous forme de graphes, et des réseaux de convolution de type graphe (graph convolutional networks) sont utilisés pour apprendre l’affinité médicament-cible. Nous évaluons notre méthode sur deux jeux de données standardisées de liaison médicament-cible et comparons ses performances aux modèles d’état de l’art. Les résultats montrent que notre approche permet non seulement de prédire l’affinité avec une meilleure précision que les modèles non fondés sur l’apprentissage profond, mais aussi de surpasser les approches d’apprentissage profond concurrentes. Ces résultats démontrent les avantages pratiques de la représentation graphique des molécules pour une prédiction précise de l’affinité médicament-cible. Cette méthode pourrait également s’appliquer à tout système de recommandation où l’un ou les deux côtés (utilisateur ou produit) peuvent être modélisés sous forme de graphes.