Deep Learning-Driven Anticancer Drug Discovery: Emodepside as a Potential Therapeutic Candidate for Triple-Negative Breast Cancer.
Résumé
Cette étude a développé un cadre de deep learning pour accélérer la découverte de médicaments pour le cancer du sein triple négatif (CSTN), un sous-type agressif avec des options thérapeutiques limitées. Le modèle a prédit l'efficacité anticancéreuse, la toxicité et les similarités structurelles de composés. En criblant plus de 6 000 composés, l'étude a identifié l'emodepside comme un candidat prometteur. Des validations in vitro et in vivo ont confirmé son efficacité antitumorale, notamment en inhibant la croissance tumorale dans des modèles de xénogreffe. Des analyses multiomiques ont révélé que l'emodepside agit en inhibant la NAMPT, induisant l'apoptose des cellules CSTN.
Analyse
CLINIQUE: Le cancer du sein triple négatif (CSTN) représente un défi clinique majeur en raison de l'absence de thérapies ciblées efficaces. Cette étude propose une approche de repositionnement de médicaments pour identifier de nouvelles options. L'identification de l'emodepside, avec une efficacité démontrée in vivo dans des modèles de xénogreffe (5 mg/kg inhibant la croissance tumorale), suggère un potentiel thérapeutique. Bien que les résultats soient prometteurs, ils proviennent de modèles précliniques. Un essai clinique de phase I/II serait justifié pour évaluer la sécurité et l'efficacité chez l'humain, avec un impact clinique potentiel à 5+ ans. BIOMOL: La découverte de l'emodepside est significative car il s'agit d'une molécule structurellement unique, différente des agents anticancéreux conventionnels. L'étude a utilisé des approches multiomiques intégrées, notamment le séquençage transcriptomique (RNA-seq) et la protéomique basée sur la spectrométrie de masse (CETSA-MS), pour élucider son mécanisme d'action. Ces analyses ont identifié la NAMPT comme la cible primaire de l'emodepside, suggérant que son activité anti-CSTN passe par l'inhibition de la NAMPT et la promotion de l'apoptose cellulaire. Cette découverte ouvre la voie à de nouveaux biomarqueurs prédictifs ou à des stratégies de combinaison thérapeutique. BIOINFO: L'étude a développé un cadre de réseau neuronal profond pour accélérer la découverte de médicaments, en se concentrant sur le repositionnement. Ce modèle est capable de prédire l'efficacité anticancéreuse, les profils de toxicité et les similarités structurelles des composés. Il a été appliqué pour cribler plus de 6 000 composés de la Drug Repurposing Hub, permettant d'identifier des candidats prometteurs. L'approche démontre la capacité des modèles d'apprentissage profond à découvrir des agents anticancéreux structurellement nouveaux, ce qui pourrait transformer les flux de travail de découverte de médicaments en priorisant des candidats pour des tests expérimentaux.