Découverte de médicaments par IA : comment cela change la donne

La découverte de médicaments IA explose.

Surmédiatisés ou non, les investissements dans la découverte de médicaments IA sont passés de 450 millions de dollars en 2014 à 58 milliards de dollars en 2021. Tous les géants pharmaceutiques, dont Bayer, AstraZeneca, Takeda, Sanofi, Merck et Pfizer, ont augmenté leurs dépenses dans l'espoir de créer des solutions d'IA de nouvelle ère qui apporteront rentabilité, rapidité et précision au processus.

La découverte de médicaments traditionnels a longtemps été notoirement difficile. Il faut au moins 10 ans et coûte 1,3 milliard de dollars pour mettre un nouveau médicament sur le marché. Et ce n'est le cas que pour les médicaments qui réussissent les essais cliniques (seulement un sur dix réussit).

D'où l'intérêt de trouver de nouvelles façons de découvrir et de concevoir des médicaments.

L'IA a déjà permis d'identifier des candidats thérapeutiques prometteurs, et cela n'a pas pris des années, mais des mois, voire des jours.

Dans cet article, nous explorerons comment la découverte de médicaments par IA change l'industrie. Nous examinerons les exemples de réussite, les avantages et les limites de l'IA. Allons-y.

Comment les médicaments sont découverts

Le processus de découverte de médicaments commence généralement par l'identification par les scientifiques d'une cible dans le corps, telle qu'une protéine ou une hormone spécifique, impliquée dans la maladie. Ensuite, ils utilisent différentes méthodes pour trouver une solution possible, un candidat-médicament, notamment :

1. Criblage de composés existants : les scientifiques peuvent cribler des bibliothèques de composés (produits naturels ou chimiques) qu'ils ont fabriqués auparavant, pour vérifier si l'un d'entre eux a l'activité ou l'interaction souhaitée avec la cible.
2. Conception de médicaments de novo : Ils peuvent utiliser la modélisation et la simulation informatiques pour développer de nouveaux composés chimiques capables de faire le travail. Cette approche est utilisée pour créer des médicaments à petites molécules, qui sont des composés synthétisés chimiquement d'une taille inférieure à 1 500 daltons.
3. Produits biologiques : Les chercheurs peuvent également générer des molécules biologiques comme des anticorps, des enzymes ou des protéines pour agir comme des médicaments. Il s'agit d'isoler ou de synthétiser des molécules d'organismes vivants susceptibles d'interagir avec la cible. Par rapport aux petites molécules, ces molécules sont généralement plus grosses et plus complexes.
4. Réutilisation : les scientifiques peuvent examiner des composés qui ont été développés pour autre chose et voir s'ils ont un potentiel thérapeutique pour la maladie en question.

Une fois qu'un candidat-médicament potentiel (appelé composé principal) est trouvé, il est testé sur des cellules ou des animaux, avant de passer à des essais cliniques qui comprennent trois phases, en commençant par de petits groupes de volontaires sains, puis en passant à des groupes plus importants de patients souffrant de l'état spécifique.

Comment l'IA est appliquée

L'intelligence artificielle couvre diverses technologies et approches qui impliquent l'utilisation de méthodes de calcul sophistiquées pour imiter des éléments de l'intelligence humaine tels que la perception visuelle, la reconnaissance de la parole, la prise de décision et la compréhension du langage.

L'IA a commencé dans les années 1950 comme une simple série de règles "si, alors" et a fait son chemin dans les soins de santé deux décennies plus tard après le développement d'algorithmes plus complexes. Depuis l'avènement du deep learning dans les années 2000, les applications de l'IA dans le domaine de la santé se sont développées.

Quelques technologies d'IA renforcent la conception de médicaments.

Apprentissage automatique

L'apprentissage automatique (ML) se concentre sur la formation d'algorithmes informatiques pour apprendre à partir de données et améliorer leurs performances, sans être explicitement programmés.

Les solutions ML englobent un large éventail de branches, chacune avec ses propres caractéristiques et méthodologies uniques. Ces branches comprennent l'apprentissage supervisé et non supervisé, ainsi que l'apprentissage par renforcement, et dans chacune, il existe diverses techniques algorithmiques qui sont utilisées pour atteindre des objectifs spécifiques, tels que la régression linéaire, les réseaux de neurones et les machines à vecteurs de support. ML a de nombreux domaines d'application différents, dont l'un est dans le domaine de la découverte de médicaments IA où il permet ce qui suit :

• Criblage virtuel de composés pour identifier des candidats-médicaments potentiels
• Modélisation prédictive de l'efficacité et de la toxicité des médicaments
• Identification de nouvelles cibles pour le développement de médicaments
• Analyse de données génomiques et protéomiques à grande échelle collectées à partir d'organismes vivants (séquences d'ADN, niveaux d'expression des gènes, structures des protéines, etc.)
• Optimisation du dosage des médicaments et des schémas thérapeutiques
• Modélisation prédictive des réponses des patients au traitement

L'apprentissage en profondeur

Deep Learning (DL) est un sous-ensemble de ML basé sur l'utilisation de réseaux de neurones artificiels (ANN). Les RNA sont constitués de nœuds interconnectés, ou « neurones », qui sont reliés par des voies, appelées « synapses ». Comme dans le cerveau humain, ces neurones travaillent ensemble pour traiter l'information et faire des prédictions ou des décisions. Plus un réseau de neurones comporte de couches de neurones interconnectés, plus il est «profond».

Contrairement aux algorithmes d'apprentissage supervisés et semi-supervisés qui ne peuvent identifier des modèles que dans des données structurées, les modèles DL sont capables de traiter de vastes volumes de données non structurées et de faire des prédictions plus avancées avec peu de supervision humaine.

Dans la découverte de médicaments IA, DL est utilisé pour :

• Amélioration du criblage virtuel des bibliothèques de composés pour identifier les hits avec une probabilité plus élevée de se lier à une cible
• Profilage basé sur l'image pour comprendre les phénotypes associés à la maladie, les mécanismes de la maladie ou la toxicité d'un médicament
• Prédiction plus précise de la manière dont un médicament sera absorbé, distribué, métabolisé et excrété par l'organisme (propriétés pharmacocinétiques)
• Prédiction des interactions médicament-cible et de l'affinité de liaison
• Prédiction de la structure des protéines qui représentent la plupart des cibles médicamenteuses actuellement identifiées
• Génération de nouveaux composés de type médicament avec les propriétés physiques, chimiques et de bioactivité souhaitées
• Automatisation des processus d'essais cliniques et conception de protocoles

Traitement du langage naturel (TAL)

La PNL s'appuie sur une combinaison de techniques issues de la linguistique, des mathématiques et de l'informatique, y compris des modèles DL, pour analyser, comprendre et générer le langage humain. La recherche sur la découverte de médicaments par IA utilise souvent la PNL pour extraire des informations à partir de données structurées et non structurées afin d'accomplir ce qui suit :

1. Exploration de textes de la littérature scientifique pour identifier les associations entre les entités chimiques/médicamenteuses, leurs cibles et les nouvelles voies liées aux maladies
2. Extraction d'informations structurées à partir de dossiers de santé électroniques (DSE) non structurés, tels que les données démographiques des patients, les diagnostics et les médicaments
3. Identifier les événements indésirables liés aux médicaments en analysant les données textuelles des médias sociaux, des articles de presse et d'autres sources
4. Déterminer les critères d'éligibilité aux essais cliniques en fonction des protocoles et apparier les patients aux essais
5. Résumé des informations sur les médicaments

Pourquoi la découverte de médicaments par IA est le sujet de conversation de la ville maintenant

Au cours des deux dernières années, les entreprises du secteur pharmaceutique ont pris des mesures pour intégrer l'IA dans leurs méthodes de recherche. Cela comprend la constitution d'équipes d'IA internes, l'embauche de professionnels de la santé et d'analystes de données en IA, le soutien aux startups axées sur l'IA et la collaboration avec des entreprises technologiques ou des centres de recherche.

Une combinaison de facteurs est à l'origine de cette tendance.

La puissance croissante des ordinateurs et les nouveaux développements de l'IA

Les avancées technologiques récentes ont déplacé l'orientation traditionnelle de la recherche sur la découverte de médicaments IA.

Alors que la majorité des entreprises du secteur (environ 150 en 2022 selon BiopharmaTrend AI Report ) continuent de s'occuper de la conception de petites molécules, faciles à représenter informatiquement et à comparer à grande échelle, il existe également un intérêt croissant pour les nouvelles applications de l'IA. dans la découverte de médicaments.

De nombreuses entreprises commencent à adopter l'IA pour concevoir des produits biologiques (77 entreprises) et découvrir des biomarqueurs qui indiquent la présence ou la progression d'une maladie (59). D'autres se concentrent sur la construction de plates-formes globales de découverte de médicaments d'IA, l'identification de nouvelles cibles ou la création d'ontologies - des représentations structurées des relations entre différentes entités telles que des composés chimiques, des protéines et des maladies.

Élargir l'accès aux outils d'IA

Alors que la pénurie de talents en IA ne montre aucun signe de ralentissement, les barrières à l'entrée dans la découverte de médicaments IA se sont en fait réduites. Les fournisseurs de technologie et les géants pharmaceutiques lancent des plates-formes d'IA de plus en plus sophistiquées, y compris des systèmes prêts à l'emploi sans code et par glisser-déposer qui permettent aux experts non-IA d'intégrer l'intelligence artificielle dans leurs recherches. Ces développements jouent un rôle majeur dans l'adoption accélérée de l'IA par l'industrie.

Histoires de réussite basées sur l'IA

Les projets de découverte de médicaments par IA menés dans le milieu universitaire et l'industrie ont déjà produit les premiers résultats positifs dans toute la chaîne de valeur de la découverte de médicaments. Les exemples comprennent:

• DeepMind a construit le système d'IA AlphaFold qui peut prédire la structure 3D d'une protéine à partir de sa séquence d'acides aminés unidimensionnelle en quelques secondes plutôt qu'en mois ou en années comme cela prendrait normalement. Le système a été utilisé pour prédire plus de 200 millions de structures protéiques appartenant à des animaux, des plantes, des bactéries, des champignons et d'autres organismes.
• Des chercheurs de l'Université de Washington ont développé un modèle d'apprentissage en profondeur qui utilise des ordinateurs de jeu pour calculer les structures des protéines en 10 minutes.
• Deep Genomics a utilisé des technologies d'IA pour dépister plus de 2 400 maladies et 100 000 mutations afin de prédire le mécanisme exact à l'origine de la maladie dans une mutation de la maladie de Wilson et de créer un médicament DG12P1 en 18 mois.
• Aladdin a lancé une plate-forme exclusive de découverte de médicaments par IA pour une utilisation commerciale dans le dépistage virtuel, le hit-to-lead, l'optimisation des leads et la phase préclinique. Cette plate-forme a aidé Aladdin à identifier un certain nombre de composés médicamenteux pour un traitement potentiel des maladies liées à l'âge.
• IBM a développé le système Watson avec des capacités informatiques cognitives qui sont utilisées par l'industrie pharmaceutique pour faire correspondre les patients aux essais cliniques adaptés à leur état. Dans un essai clinique sur le cancer du sein, la plateforme a démontré une augmentation de 80 % des inscriptions et une réduction du temps d'appariement des essais.
• Il a fallu moins de trois mois à AbCellera pour développer un anticorps monoclonal destiné à neutraliser les variantes virales du COVID-19 et obtenir l'approbation de la Food and Drug Administration (FDA) américaine.
• BenevolentAI a combiné son graphe de connaissances avec des outils d'IA pour découvrir le baricitinib comme traitement potentiel du COVID-19 en quelques jours.
• BioXcel Therapeutics a accéléré la découverte de la dexmédétomidine comme sédatif pour les patients atteints de schizophrénie et de troubles bipolaires. La société a obtenu l'approbation de la FDA pour son film sublingual exclusif de dexmédétomidine (IgalmiTM) en moins de quatre ans après ses premiers essais sur l'homme.
• À l'aide de l'IA, Exscientia a conçu trois petites molécules pour entrer dans des essais cliniques sur une période de deux ans (pour le traitement de la psychose de la maladie d'Alzheimer, du trouble obsessionnel-compulsif et de l'immuno-oncologie).
• Début 2023, Insilico a annoncé des résultats positifs dans un essai clinique de phase 1 de la première nouvelle molécule conçue par l'IA pour une nouvelle cible découverte par l'IA pour traiter la fibrose pulmonaire idiopathique (IPF).
• En 2021, 13 produits biologiques dérivés de l'IA ont atteint le stade clinique, avec leurs domaines thérapeutiques tels que le COVID-19, l'oncologie et la neurologie.

Avantages et défis de la découverte de médicaments IA

L'IA est un outil puissant qui promet de révolutionner l'industrie pharmaceutique. Grâce à sa capacité à analyser de grandes quantités de données et à faire des prédictions, l'intelligence artificielle peut aider les chercheurs à surmonter les obstacles qui ont longtemps entravé le processus de découverte de médicaments en permettant :

• Délais réduits pour les étapes de découverte et précliniques
• Des prédictions plus précises sur l'efficacité et la sécurité des médicaments
• Nouvelles informations imprévues sur les effets des médicaments et les maladies
• Nouvelles lignes de recherche et nouvelles stratégies de R&D
• Réduction des coûts grâce à une analyse et une automatisation plus rapides

Selon Insider Intelligence, l'IA peut permettre à l'industrie pharmaceutique d'économiser jusqu'à 70 % des coûts de découverte de médicaments. Le potentiel de l'IA dans la découverte de médicaments est vraiment excitant, mais il y a quelques obstacles qui doivent d'abord être surmontés pour l'exploiter au maximum.

Données

Lorsqu'il s'agit d'IA, cela se résume toujours à des données d'entrée. Les silos de données et les systèmes hérités qui ne permettraient pas leur consolidation sont de grands obstacles à la recherche en IA dans tous les domaines. Dans l'industrie pharmaceutique, le problème peut être encore plus prononcé.

Les sociétés pharmaceutiques ont traditionnellement eu du mal à partager des données , qu'il s'agisse de résultats d'études cliniques ou d'informations anonymisées sur des patients, tandis que les trésors de données dont elles disposent peuvent fournir des réponses à des questions que le chercheur d'origine n'a jamais envisagées.

En fin de compte, lorsqu'il s'agit de partager des données, elles sont souvent incomplètes, incohérentes ou biaisées, comme c'est le cas avec les ensembles de données utilisés pour prédire les affinités de liaison protéine-ligand qui sont cruciales pour la découverte de médicaments. Dans certains cas, les données peuvent même ne pas refléter l'ensemble de la population et le modèle d'IA peut échouer dans des scénarios réels.

Complexité

La complexité même des systèmes biologiques rend difficiles l'analyse et les prédictions des changements temporels et spatiaux de leur comportement.

Il existe un grand nombre d'interactions complexes et dynamiques au sein des systèmes biologiques où chaque élément tel que les protéines, les gènes et les cellules peut avoir de multiples fonctions et être affecté par de multiples facteurs, y compris les variations génétiques, les conditions environnementales et les états pathologiques.

Les interactions entre différents éléments peuvent également être non linéaires, ce qui signifie que de petits changements dans un élément peuvent entraîner de grands changements dans l'ensemble du système. Par exemple, un seul gène qui contrôle la division cellulaire peut avoir un impact important sur la croissance d'une tumeur, ou des interactions entre plusieurs protéines peuvent conduire au développement de structures hautement spécifiques et complexes telles que le cytosquelette d'une cellule.

Un autre défi est le manque de personnel qualifié pour gérer les outils de découverte de médicaments IA.

Interprétabilité

L'utilisation de réseaux de neurones dans la découverte de médicaments IA a repoussé les limites de ce qui est possible, mais le manque d'interprétabilité pose un défi important. Appelés boîtes noires, ces modèles d'IA peuvent produire les prédictions les plus précises possibles, mais même les ingénieurs ne peuvent pas expliquer le raisonnement qui les sous-tend. Cela est particulièrement difficile dans l'apprentissage en profondeur, où la complexité de la compréhension de la sortie de chaque couche augmente à mesure que le nombre de couches augmente.

Ce manque de transparence peut conduire à des solutions erronées et réduire la confiance dans l'IA parmi les chercheurs, les professionnels de la santé et les organismes de réglementation. Pour relever ce défi, il est de plus en plus nécessaire de développer une IA explicable et fiable.

Emballer

De nouveaux médicaments qui changent la donne pour les patients continuent d'émerger.

Quinze ans seulement après que le VIH a été identifié comme la cause du sida dans les années 1980, l'industrie pharmaceutique a mis au point une multithérapie qui permet aux personnes touchées par le virus de vivre une durée de vie normale. Gleevec de Novartis prolonge la vie des patients atteints de leucémie. Incivek de Vertex Pharmaceuticals a doublé les taux de guérison de l'hépatite C. Keytruda de Merck réduit de 35 % le risque de récidive du cancer après une intervention chirurgicale pour exciser un mélanome.

Mais tous les nouveaux médicaments ne sont pas créés égaux.

Une analyse récente de plus de 200 nouveaux médicaments menée en Allemagne a révélé que seuls 25 % offraient des avantages significatifs par rapport aux traitements existants. Les médicaments restants ont produit des avantages minimes ou nuls, ou leur impact était incertain.

Compte tenu de la nature coûteuse et chronophage de la découverte de médicaments, il est clair que l'industrie pharmaceutique a besoin de changements majeurs. Et c'est là que la découverte de médicaments IA pourrait jouer un rôle. Il y a toutes les chances que l'intelligence artificielle puisse apporter une contribution transformationnelle allant au-delà de l'accélération du délai de mise en clinique.

Vous songez à votre propre projet de découverte de médicaments IA ? Écrivez-nous . Avec des années d'expérience dans la création de solutions d'IA pour les soins de santé, nous sommes votre partenaire idéal.