À quel moment la molécule sort-elle de la colonne ?
Des chercheurs mettent au point une méthode d'intelligence artificielle capable de prédire de manière plus fiable les temps de rétention des petites molécules
Annonces
Que ce soit dans la recherche pharmaceutique, l'analyse environnementale ou la métabolomique, toute personne chargée d'analyser des échantillons biologiques complexes doit souvent identifier les petites molécules qu'ils contiennent. Des chercheurs de l'université Friedrich Schiller de Iéna, en collaboration avec des partenaires du Helmholtz Zentrum München et de l'université technique de Munich, ont mis au point une méthode qui apporte une réponse à un problème de chimie analytique persistant depuis des décennies. Dans le dernier numéro de la revue « Nature Methods », l’équipe dirigée par le bioinformaticien Sebastian Böcker présente son nouvel outil.
Un problème courant en analyse chimique
Les échantillons biologiques tels que le sang, le matériel cellulaire ou les cultures bactériennes peuvent contenir un grand nombre de molécules différentes. Alors que l’ADN et les protéines peuvent désormais être analysés de manière relativement satisfaisante à l’aide de méthodes bien établies, la diversité des petites molécules — appelées métabolites — est particulièrement élevée. Parmi celles-ci figurent des produits métaboliques, des composés naturels, des toxines, des produits de dégradation et de nombreuses substances pharmaceutiques.
La chromatographie en phase liquide est fréquemment utilisée pour séparer ces molécules les unes des autres. Dans ce procédé, un mélange de substances traverse une colonne de séparation ; les molécules individuelles sont retenues à des degrés divers et s’éluent donc de la colonne à des moments différents. Ce « temps de rétention » fournit une indication importante sur la présence d’une substance dans un échantillon. Mais à quel moment précis une molécule donnée s’élue-t-elle de la colonne ? C’est précisément cette question qui occupe la chimie analytique depuis des décennies.
Pourquoi les prédictions antérieures ont atteint leurs limites
« La difficulté réside dans le fait que les temps de rétention dépendent fortement des conditions expérimentales : de la colonne utilisée, du solvant, du gradient, du pH, de la température et même de modifications techniques apparemment mineures », explique le professeur Böcker. « Si, par exemple, un tube de l’appareil est remplacé, ou si un nouveau tube est légèrement plus long que l’ancien, les temps mesurés peuvent varier de manière significative. »
Les modèles antérieurs devaient donc souvent être entraînés ou affinés à l’aide de données issues du système de mesure même sur lequel ils devaient ensuite établir des prédictions. Dans la pratique, cela signifie que les chercheurs devaient d’abord mesurer de nombreuses substances étalons avant de pouvoir utiliser efficacement le modèle. Ce processus est chronophage, coûteux et, pour de nombreuses applications, tout simplement irréalisable.
D'abord la réglementation, ensuite le temps
La nouvelle approche de l’équipe de Böcker ne se limite pas à un seul système, mais permet d’établir des prévisions même pour de nouveaux systèmes et des molécules inconnues. La méthode se concentre sur le type de chromatographie liquide le plus couramment utilisé, le mode dit « en phase inverse », et fonctionne en deux étapes : dans un premier temps, un modèle d’apprentissage automatique calcule ce qu’on appelle un indice d’ordre de rétention pour une molécule. Cet indice ne décrit pas directement un temps, mais plutôt la position d’une molécule dans la séquence attendue de l’ordre de rétention. Dans un deuxième temps, cet indice est converti en temps de rétention spécifiques à l’aide de quelques points de référence connus.
Fleming Kretschmer a joué un rôle clé dans ce développement ; il a travaillé sur cette méthode dans le cadre de son doctorat et est co-premier auteur de l’article. « L’une des principales conclusions de nos travaux est que notre méthode surpasse les autres approches qui, contrairement à la nôtre, doivent d’abord être entraînées de manière intensive sur le système cible », souligne Fleming Kretschmer. « Notre approche permet donc d’obtenir des prédictions précises dès sa mise en œuvre, même pour de nouveaux systèmes. »
Pertinence pour la découverte de médicaments, la recherche sur les produits naturels et l’analyse environnementale
Cette approche peut s’avérer utile partout où il est nécessaire d’identifier des petites molécules inconnues. Dans la recherche sur les produits naturels, par exemple, les chercheurs recherchent des substances issues de bactéries, de champignons ou de plantes susceptibles de servir de nouveaux antibiotiques, de médicaments anticancéreux ou de composés actifs contre d’autres maladies. Dans l’analyse environnementale, la chimie alimentaire et la recherche pharmaceutique également, la même question se pose sans cesse : que contient un échantillon complexe – et le temps de rétention mesuré correspond-il à la structure chimique présumée ?
Un logiciel à intégrer dans les outils d’analyse
Ce nouvel outil, baptisé « 2-step », est disponible sous forme de progiciel et d’application web (https://github.com/boecker-lab/2-step). Selon les chercheurs, cette méthode pourrait à l’avenir être intégrée à de nombreux programmes d’analyse, ce qui permettrait aux laboratoires utilisant la chromatographie en phase liquide et la spectrométrie de masse de l’utiliser automatiquement.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
