Découvrez comment l’algorithme de LinkedIn révolutionne la réutilisation des médicaments existants !

Lorsque vous vous connectez à LinkedIn, il est courant de recevoir des suggestions pour vous connecter avec des personnes que vous connaissez, que ce soit parce que vous avez fréquenté la même université, travaillé dans la même entreprise ou dans le même secteur.

Cependant, il arrive que ces suggestions soient surprenantes, comme lorsque l’algorithme vous recommande un parent ou un ami de la famille qui travaille dans un domaine complètement différent du vôtre. Face à cette absence totale de recoupement professionnel, on peut se demander comment LinkedIn peut connaître ces relations dans la vie réelle.

Les algorithmes d’intelligence artificielle (IA) qui pilotent ces recommandations utilisent une technologie appelée Réseau Neuronal Graphique, basée sur des graphes : des structures mathématiques composées de nœuds et de liens (également appelés « arêtes ») qui les connectent. Pour un réseau social tel que LinkedIn, un graphe peut être créé où les nœuds représentent chaque utilisateur, tandis que les liens représentent les connexions entre eux.

Ces algorithmes rassemblent des informations de l’environnement immédiat de chaque nœud – nos connexions directes sur LinkedIn. Ils agrègent ensuite ces informations et les intègrent au nœud original.

Après ce processus, chaque profil reflète à la fois ses propres données et celles de son réseau immédiat. Ce processus peut être répété plusieurs fois – lors de la deuxième itération, lorsque nous agrégeons des informations de nos voisins, ces derniers auront déjà agrégé des informations de leurs propres voisins et, par conséquent, nous disposerons d’informations du second voisinage.

Un réseau de relations

Dans ces réseaux, ce n’est pas seulement nos propres informations personnelles qui comptent, mais aussi avec qui nous sommes connectés et avec qui nos connexions sont connectées. Dans la version complète de l’algorithme de LinkedIn, telle qu’utilisée en pratique, il existe non seulement des nœuds représentant des personnes, mais aussi d’autres types de nœuds, tels que des entreprises ou des publications.

Cela signifie que l’algorithme peut obtenir des informations à la fois de nos connexions personnelles et du contenu que nous avons marqué comme favoris ou avec lequel nous avons interagi.

Par exemple, si quelqu’un a votre sœur comme connexion et a « aimé » des publications que votre beau-frère aime également, l’algorithme peut détecter que vous partagez non seulement des intérêts similaires, mais que vous pourriez également être connectés personnellement d’une certaine manière.

Les algorithmes des réseaux sociaux en biomédecine

Développer un médicament à partir de zéro est extrêmement coûteux et prend beaucoup de temps. Le processus de découverte ressemble souvent à un entonnoir. Au sommet, tous les candidats potentiels entrent et, après avoir été réduits à travers diverses étapes de recherche, un seul est choisi pour entrer dans les essais cliniques. Ce médicament passera ensuite (espérons-le) à être disponible pour utilisation clinique parmi la population générale.

Bien que nécessaire, la complexité de ce processus signifie que la repositionnement des médicaments est devenu de plus en plus courant ces dernières décennies. L’objectif de ce processus n’est pas de concevoir de nouveaux médicaments, mais de trouver de nouvelles utilisations pour ceux existants.

Pour traiter une maladie, nous nous concentrons généralement sur le ciblage des protéines responsables. Il existe des bases de données publiques et bien documentées contenant des informations sur les protéines que chaque médicament cible, et ces bases de données se sont considérablement développées ces dernières années.

L’une des bases de données les plus utilisées, DrugBank, est passée de 841 médicaments approuvés lors de sa première publication en 2006 à 2,751 dans sa mise à jour la plus récente de 2024. Cette disponibilité croissante de données permet l’utilisation de modèles plus complexes.

Avec ce volume de données, nous pouvons créer un réseau graphique où les nœuds sont des médicaments et des protéines, et les liens sont les interactions entre eux, telles qu’enregistrées dans les bases de données. Une fois que nous avons le réseau, nous pouvons alors appliquer des algorithmes similaires à ceux utilisés dans les réseaux sociaux : pour chaque médicament, nous ajoutons des informations biochimiques sur les protéines avec lesquelles il interagit à travers les connexions connues.

En utilisant ces informations, le modèle peut ensuite nous indiquer la probabilité d’une interaction médicament-protéine que nous n’avions pas précédemment dans la base de données, car les algorithmes peuvent analyser efficacement de grands volumes d’informations. Ces interactions peuvent ensuite être validées dans des conditions de laboratoire, économisant ainsi du temps et de l’argent du long processus de découverte.

Notre recherche

Au laboratoire de biologie computationnelle et de génomique translationnelle de l’Université de Navarre, nous avons suivi cette idée pour développer GeNNius, un modèle qui vise à construire un réseau entre les médicaments et les protéines. Son implémentation a déjà amélioré les modèles existants, notamment en termes de temps d’exécution : en une minute, nous pouvons évaluer environ 23,000 interactions.

Si le modèle a de bonnes capacités prédictives, il reste encore place à l’amélioration. Par exemple, des défis se présentent lors de l’évaluation des interactions possibles avec des molécules qui ne font pas partie du réseau, ou pour lesquelles nous avons peu de données originales. Bien qu’il soit techniquement possible de générer un résultat, le modèle donne souvent des résultats peu fiables dans ces cas.

En surmontant ces obstacles et avec des recherches supplémentaires, ces modèles pourraient évoluer à l’avenir en systèmes qui fournissent des recommandations personnalisées pour chaque patient.