Retour aux actualités
Recherche / 25 février 2024

De l’apprentissage automatisé pour rationaliser les résultats issus des cribles d’évolution dirigée

Grâce au travail du chercheur Ulisse Ferrari, un algorithme est désormais en mesure de fournir des données plus fiables et plus précises afin de rationaliser des protocoles d’évolution dirigée. Ce travail, auquel a également participé la directrice de recherche Deniz Dalkara, a été publié dans Nature Communications.

L'évolution dirigée est un processus contrôlé et guidé visant à induire des changements spécifiques dans les caractéristiques génétiques ou phénotypiques des protéines. Contrairement à l'évolution naturelle qui se produit au hasard par sélection naturelle, l'évolution dirigée implique une intervention délibérée pour orienter et accélérer les changements souhaités. Elle est souvent utilisée en recherche et en bioingénierie pour améliorer certaines caractéristiques des protéines, comme leur structure en lien avec leurs fonctions comme leurs capacités à interagir avec des tissus spécifiques.

À l’Institut de la Vision, la directrice de recherche Deniz Dalkara utilise l’évolution dirigée pour identifier des virus destinés au transport des gènes thérapeutiques vers la rétine in vivo. Ces protocoles génèrent d’immenses quantités de données biologiques dont le déchiffrage est souvent très coûteux en temps et en argent.

Grâce à un algorithme inédit, le physicien Ulisse Ferrari cherche à optimiser l’analyse de ces immenses quantités d’informations. Pour y parvenir, il est grandement question d’apprentissage automatisé (machine learning). Les données sont enregistrées, compilées, comparées par l’algorithme. Cette intelligence artificielle synthétise les informations en fonction du but recherché pour en livrer un résultat plus fiable, plus précis, plus pertinent.

Avant cette nouvelle technologie, Deniz — au même titre que tous les autres biologistes —, pouvait faire une manipulation de nombreuses fois pour obtenir des résultats significatifs et déterminer un classement des données. Désormais, elle pourra identifier plus précisément l’efficacité de variants génétiques en économisant des ressources en temps, en échantillons biologiques et donc en argent.

L’algorithme va rationaliser l’approche de l’évolution dirigée en préconisant le nombre de tests nécessaires. C’est une innovation significative dans l’optimisation des protocoles d’évolution dirigée. C’est également une avancée majeure pour réduire l’utilisation de modèles expérimentaux précliniques.
Acquérir des données plus quantitatives que qualitatives, plus fiables et plus précises grâce à un algorithme mathématiques : une petite révolution dans le monde de la biologie et de l’évolution dirigée est en marche.
 

Étude publiée : Nemoto, T., Ocari, T., Planul, A. et al. ACIDES: on-line monitoring of forward genetic screens for protein engineering. Nat Commun 14, 8504 (2023). https://doi.org/10.1038/s41467-023-43967-9