L’équipe forme un modèle d’IA pour la découverte de cibles de maladies liées à l’âge

Un nouveau document de recherche intitulé “Modèle de langage de transformateur basé sur un transformateur pré-entraîné génératif biomédical pour la découverte de cibles de maladies liées à l’âge” a été publié dans Vieillissement.

La découverte de cibles est cruciale pour le développement de thérapies et de diagnostics innovants. Cependant, les approches actuelles sont souvent confrontées à des limites en termes d’efficacité, de spécificité et d’évolutivité, ce qui nécessite l’exploration de nouvelles stratégies pour identifier et valider des cibles pertinentes pour la maladie. Les progrès du traitement du langage naturel ont ouvert de nouvelles voies pour prédire les cibles thérapeutiques potentielles pour diverses maladies.

Dans leur nouvelle étude, les chercheurs Diana Zagirova, Stefan Pushkov, Geoffrey Ho Duen Leung, Bonnie Hei Man Liu, Anatoly Urban, Denis Sidorenko, Aleksandr Kalachnikov, Ekaterina Kozlova, Vladimir Naumov, Frank W. Pun, Ivan V. Ozerov, Alex Aliper, et Alex Zhavoronkov d’Insilico Medicine présentent une nouvelle approche pour prédire les cibles thérapeutiques à l’aide d’un grand modèle de langage (LLM).

“Nous avons formé un modèle BioGPT spécifique à un domaine sur un vaste corpus de littérature biomédicale composé de textes de subventions et avons développé un pipeline pour générer des prédictions de cibles”, expliquent les chercheurs.

Cette étude démontre que la pré-formation du modèle LLM avec des textes spécifiques à des tâches améliore ses performances. En appliquant le pipeline développé, les chercheurs ont récupéré des cibles potentielles de vieillissement et de maladies liées à l’âge et ont montré que ces protéines correspondent aux données de la base de données. De plus, ils proposent le CCR5 et la PTH comme de nouvelles cibles potentielles à double usage anti-âge et maladies qui n’étaient pas identifiées auparavant comme liées à l’âge mais qui étaient hautement classées dans leur approche.

“Dans l’ensemble, nos travaux mettent en évidence le potentiel élevé des modèles de transformateur dans la prédiction de nouvelles cibles et fournissent une feuille de route pour l’intégration future des approches d’IA pour relever les défis complexes présentés dans le domaine biomédical”, résume l’équipe.