Chef(s) de projet: Izhar Wallach
Problème
Les pesticides sont largement utilisés dans les pays développés et en développement pour augmenter le rendement des cultures.
Cependant, l’utilisation des pesticides entraîne quelque 26 millions de cas d’empoisonnement et 220 000 décès par an; des tests précis sont donc requis pour mesurer l’innocuité des pesticides.
Solution
Crematoria a proposé de faire le dépistage de molécules de pesticides sur des cibles biologiques humaines dans le silicium pour assurer l’innocuité des pesticides.
Les travaux antérieurs de Crematoria ont montré que les modèles informatiques peuvent prédire efficacement les réactions indésirables aux médicaments chez l’homme.
Elle a développé une technologie qui utilise de nouvelles méthodes statistiques pour faire ressortir les tendances qui régissent l’activité moléculaire à partir de vastes ensembles de données sur la bioactivité et a testé le logiciel sur plus de 102 systèmes liés à la maladie, couvrant diverses catégories de protéines telles que les kinases, les protéases, les récepteurs nucléaires, les RCPG et les canaux ioniques.
Le présent projet visait à étendre ces travaux au domaine agrochimique, en scrutant un ensemble de cibles de toxicité pour l’homme et d’autres espèces.
La première étape a consisté à faire une évaluation approfondie et détaillée de la capacité prédictive de la technologie et l’équipe a haussé de 13 à 102 le nombre de cibles pathologiques pour lesquelles elle a évalué les prévisions.
Résultat
Les résultats ont montré que la méthode n’a pas réussi à identifier des molécules de pesticides sécuritaires en fonction de cibles biologiques humaines, et l’équipe a manqué de temps pour terminer le projet.
Elle a montré que sa technologie prédictive était plus précise que les approches computationnelles actuelles les plus avancées. En outre, la variance était plus petite dans leurs résultats.
Ces résultats supérieurs découlent de l’utilisation nouvelle de données de liaison, qui est mesurée en solution par opposition aux co-cristaux observés par rayons x, la méthode généralement employée.
Cependant, lorsqu’on essaie de cerner des effets hors cibles potentiels, le taux d’erreur pour chaque cible est multiplié par le nombre de cibles en fonction desquelles la performance d’une molécule a été analysée.
Compte tenu d’un faux positif ou d’un faux négatif même modéré, faire des prédictions sur une centaine de cibles signifierait que soit certains effets pourraient ne pas être perçus systématiquement soit que tout essai produirait de fausses alertes.
Bien que la précision se soit améliorée avec le plus grand volume de données et la plus longue durée de formation, la performance du logiciel était déjà sur une courbe asymptotique et, pour atteindre la précision souhaitée, la quantité requise de données de formation et de calculs s’intensifiait de manière exponentielle.
Le développement de cette technologie a été interrompu pour reconnaître les limites imposées par le choix du modèle machine d’apprentissage.
Au total, une somme de 1 000 000 $ a été reçue en subventions fédérales, provinciales et privées pour le projet.
Les chercheurs travaillent présentement avec une importante société pharmaceutique pour évaluer la capacité du logiciel à récapituler leurs résultats d’analyses expérimentales, et son applicabilité à leur pipeline de projets de recherche.