Une récente étude publiée dans Frontiers, menée par une équipe de recherche des Jardins botaniques royaux de Kew (RU), du SIB et de l’Université de Fribourg (Suisse), entre autres partenaires, a constaté que l’utilisation de modèles de machine learning peut accélérer la découverte des plantes aux propriétés antipaludiques. Riches en composés bioactifs, les plantes sont à l’origine du développement de nombreux produits pharmaceutiques. Deux médicaments majeurs utilisés pour le traitement du paludisme, à savoir la quinine et l’artémisinine, sont ainsi dérivés de plantes.
Trier le bon grain de l’ivraie
Sachant qu’il existe environ 343 000 espèces de plantes vasculaires, l’identification de celles qui contiennent des composants antiplasmodiques peut prendre du temps et s’avérer coûteuse. Dans le cadre d’une nouvelle étude, des scientifiques ont cherché à déterminer si les modèles de machine learning pouvaient être testés sur des données relatives aux caractéristiques des plantes pour prédire leur activité antiplasmodique potentielle. à cet effet, ils ont étudié trois familles de plantes: les apocynacées, les loganiacées et les rubiacées, comprenant 21’100 espèces au total. Les chercheurs ont exploré un ensemble de méthodes pour démontrer l’efficacité des algorithmes de machine learning et comparé leurs performances avec celles d’autres approches fréquemment utilisées pour sélectionner les plantes à analyser en vue d’identifier des sources de composés bioactifs.
La nature, une vraie pharmacie
Les spécialistes ont constaté que les techniques employées constituaient une méthode prometteuse pour améliorer la capacité à identifier les plantes aux propriétés antiplasmodiques susceptibles d’accélérer la recherche de nouveaux composés présentant un intérêt sur le plan pharmaceutique. Les scientifiques estiment que, parmi les trois familles, 7677 espèces méritent d’être étudiées plus en détail et qu’au moins 1300 espèces antiplasmodiques ont probablement été ignorées par les méthodes conventionnelles.
’Notre étude montre que le machine learning offre les outils pour combiner les connaissances scientifiques sur les plantes et leurs applications traditionnelles dans un cadre prédictif performant susceptible de guider les futurs essais et recherches. La biodiversité est probablement la clé des solutions aux problèmes de santé mondiaux d’aujourd’hui et de demain, et l’association du machine learning et de recherches rigoureuses et continues en biologie peut contribuer à libérer ce potentiel’, déclare Daniele Silvestro, de l’Université de Fribourg, chef de groupe au SIB et coauteur de l’étude.
Pour Adam Richard-Bollans, des Jardins botaniques royaux de Kew, ’ses résultats mettent en évidence le vaste potentiel inexploité des plantes pour la production de nouveaux médicaments.’ On estime à 343 000 le nombre d’espèces de plantes vasculaires encore largement inexplorées sur le plan scientifique. Les scientifiques espèrent que cette approche basée sur le machine learning permettra de les étudier afin d’identifier de nouveaux composés aux vertus médicinales. ’Ces résultats soulignent également l’importance de la protection de la biodiversité et de l’utilisation durable des ressources naturelles’, conclut Richard-Bollans.
Une menace mondiale
Le paludisme est l’une des maladies les plus mortelles pour l’humanité et reste un enjeu de santé public majeur au niveau mondial. Il est dû à un parasite de genre Plasmodium, transmis à l’homme par la piqûre de moustiques infectés. En 2021, l’Organisation mondiale de la santé (OMS) estimait à 247 millions le nombre de cas de paludisme dans le monde. La résistance aux médicaments antipaludiques existants représente un défi croissant. Par conséquent, l’OMS recommande d’accélérer la recherche sur les remèdes antipaludiques dans le cadre des efforts visant à atteindre les objectifs mondiaux en matière de paludisme.
