Pharma IT

Comment l'IA révolutionne la découverte et le développement de médicaments

L'IA peut transformer considérablement le processus de développement de médicaments.

Par Michael Bani

Director, Editor (US & Europe)

5 juin 20248 min de lecture

Comment l'IA révolutionne la découverte et le développement de médicaments

Découverte et développement de médicaments ont toujours été des processus difficiles car ils nécessitent d’importants budgets et des délais étendus. Par conséquent, la croissance des entreprises pharmaceutiques dépend directement de leurs budgets de R&D. Cependant, compte tenu de l’essor récent de intelligence artificielle (IA), on ne se tromperait pas en supposant que l’IA peut jouer un rôle important dans la révolution du processus de découverte et de développement de médicaments.

L’IA offre les avantages suivants : accélération des délais de découverte de médicaments, amélioration de la conception des essais cliniques, assurance qualité, repositionnement de médicaments et analyse des combinaisons médicamenteuses. Ainsi, l’IA peut considérablement transformer le processus de développement des médicaments.

Comment l’IA transforme-t-elle le processus de R&D ?

Commençons par comprendre comment fonctionne typiquement un processus de R&D pharmaceutique : d’abord, les chercheurs dépistent des patients ou des organismes pour identifier des molécules cibles, par exemple une protéine associée à une maladie spécifique. Ensuite, les chercheurs examinent en profondeur des bibliothèques moléculaires pour identifier des molécules susceptibles de se lier à ces cibles. Ensuite, ces molécules identifiées sont rigoureusement testées pour les transformer en candidats potentiels. Enfin, ces candidats subissent des tests en laboratoire, des essais sur animaux et des essais cliniques avant d’être commercialisés.

Bien que cela ait été simplifié, le processus de R&D pharmaceutique est assez difficile et les percées en découverte de médicaments sont rares. En général, le processus de R&D pharmaceutique peut prendre de quelques semaines à plusieurs décennies. L’IA peut jouer un rôle important pour modifier ces délais :

Source

Identification des cibles

L’IA peut être utilisée pour identifier les molécules cibles et les molécules de liaison. L’IA peut être beaucoup plus rapide pour identifier ces molécules qu’un chercheur moyen. Les algorithmes d’apprentissage automatique peuvent être utilisés pour prédire les protéines, les gènes et les mécanismes impliqués dans des maladies spécifiques.

Optimisation des leads

L’IA peut être utilisée pour identifier des molécules potentielles pouvant affecter directement les organismes responsables de la maladie (p. ex. bactéries, champignons, micro-organismes, etc.), les protéines, les gènes et les mutations. Les modèles d’IA peuvent également être utilisés pour comprendre ou prédire l’efficacité de ces molécules avant les tests en laboratoire réels.

Détection des échecs en préclinique

Les algorithmes d’IA peuvent être utilisés pour prédire la toxicité potentielle des formulations et des molécules dès les premières étapes de développement, ce qui peut aider à éviter les échecs en phase avancée. Les algorithmes d’IA peuvent analyser les structures moléculaires et les mécanismes pour identifier la toxicité.

Accélération des études cliniques

Les modèles d’IA peuvent être utilisés pour rationaliser le processus de recrutement des patients. Les données des patients peuvent être saisies dans ces modèles, qui peuvent ensuite identifier des candidats appropriés pour l’étude clinique. Cela peut simplifier le recrutement et la sélection des patients, garantissant que l’ensemble du processus se déroule sans biais.

Ce ne sont là que quelques-uns des rôles que l’IA peut jouer dans la découverte et le développement de médicaments. En fin de compte, le rôle de l’IA dans la découverte de médicaments dépend de la technologie choisie. Actuellement, il existe de nombreuses technologies alimentées par l’IA, mais voici les plus populaires.

Technologies d’IA en découverte de médicaments : technologies clés alimentées par l’IA utilisées en découverte de médicaments

Apprentissage automatique et profond

Les algorithmes ML peuvent être utilisés pour analyser des jeux de données afin de prédire l’activité biologique des composés. Les modèles DL comme les réseaux neuronaux convolutionnels (CNN) et les réseaux neuronaux récurrents (RNN) peut être utilisé pour identifier les tendances et les relations entre des jeux de données.

modèles QSAR

modèles de relation structure-activité quantitative (QSAR) peuvent être utilisés pour prédire l'activité des composés en fonction de leurs structures. Les modèles QSAR améliorés par ML peuvent être utilisés pour des jeux de données plus volumineux et aux structures complexes.

modèles NLP

Modèles NLP

Source

traitement automatique du langage naturel (NLP) peuvent être utilisés pour mener des revues de littérature. Ces modèles peuvent analyser des brevets, des rapports d'essais cliniques et des études publiées pour trouver des informations pertinentes. Cela permet de condenser le processus d'examen de la littérature en une période courte, en intégrant de manière exhaustive des données provenant de plusieurs sources.

chimie computationnelle

Actuellement, la chimie computationnelle est largement utilisée pour prédire des structures car elle permet de gagner du temps et d'obtenir des prédictions de structure précises. Ces algorithmes permettent aux chercheurs d'explorer les interactions moléculaires et les propriétés des liaisons au niveau atomique.

simulations MD

simulations de dynamique moléculaire (MD) sont une autre technologie alimentée par l'IA qui est de plus en plus utilisée dans le processus de R&D pharmaceutique. Les simulations MD permettent aux chercheurs de prédire l'évolution du comportement des molécules au fil du temps. Par exemple, les simulations MD peuvent être utilisées pour prévoir le changement de comportement moléculaire lorsqu'une molécule est exposée à des stimuli spécifiques.

Voici six entreprises qui utilisent actuellement des technologies alimentées par l'IA pour des percées en découverte de médicaments :

Antidote propose une plateforme alimentée par l'IA où patients et chercheurs médicaux sont mis en relation.
Atomwise réduit le coût du développement de médicaments grâce à leurs supercalculateurs, qui prédisent quels médicaments pourraient fonctionner en s'appuyant sur leur base de données.
Turbine.AI identifie le meilleur médicament pour une tumeur cible et identifie des biomarqueurs de la tumeur. Elle identifie également des thérapies en combinaison pour la tumeur.
Row Analytics propose une plateforme qui utilise l'IA et l'analyse de données pour prendre en compte plusieurs variantes génétiques pour diverses maladies.
Deep Genomics utilise le DL pour décrypter le sens des génomes.
Insilico Medicine vise à intégrer l'IA dans l'ensemble du processus de découverte de médicaments et des essais cliniques.

Cependant, malgré ces avancées, l'IA en est encore à ses débuts et elle fait encore face à des défis.

Défis auxquels l'IA est confrontée dans la découverte de médicaments

Confidentialité des données et exigences réglementaires

Les technologies alimentées par l'IA dépendent fortement des données. Toutefois, les lois mondiales sur les données deviennent de plus en plus strictes, et les entreprises pharmaceutiques doivent s'y conformer strictement, ce qui peut rendre l'utilisation de l'IA délicate.

Mauvaise qualité des données

Source

L'IA ne peut fournir des solutions que lorsqu'elle dispose d'un jeu de données large et de haute qualité. Or, les données fiables en découverte de médicaments sont rares et les données disponibles sont de mauvaise qualité. Pour alimenter l'IA en découverte de médicaments, la qualité et la quantité des données disponibles doivent être améliorées.

Coûts élevés

Bien que l'IA puisse aider à gagner du temps et à réduire les coûts lors du développement de médicaments, la mise en œuvre des technologies d'IA n'est pas bon marché. Les entreprises doivent engager du personnel spécialisé avec une expertise technique pour entraîner les modèles. Souvent, cela peut être tout aussi coûteux.

Absence de normalisation

Bien que la plupart des entreprises pharmaceutiques suivent des protocoles et aient établi des méthodes de collecte de données, celles-ci ne sont pas standardisées entre différentes entreprises, pays et régions. Par exemple, une question d'enquête courante est « Combien X vous fait-il mal ? » Les patients doivent choisir entre une échelle de 1 à 10. Cependant, il n'existe pas de définitions normalisées de ces chiffres, ce qui signifie que même si des données sont collectées auprès de toutes les entreprises, elles ne peuvent pas être comparées.

Conclusion

L'IA peut transformer positivement le paysage du développement de médicaments. Comme souligné dans l'article, les technologies alimentées par l'IA peuvent accélérer le processus de développement de médicaments, coûteux et chronophage, que la plupart des équipes de R&D doivent traverser. Cela réduira considérablement les délais et les coûts de développement pour les entreprises pharmaceutiques.

Diverses technologies alimentées par l'IA peuvent être intégrées pour améliorer la découverte de médicaments ; cependant, cette intégration peut créer des défis car la plupart de ces technologies en sont encore à un stade précoce et nécessitent un développement supplémentaire. Néanmoins, comme le montrent les données, l'IA a un énorme potentiel en matière de développement et de découverte de médicaments.

FAQ

L'IA peut-elle être utilisée après la découverte d'un médicament ?

Oui, l'IA peut également être intégrée dans des systèmes de surveillance tels que les montres connectées pour identifier rapidement d'éventuels problèmes de sécurité. En conséquence, des interventions médicales peuvent être effectuées au bon moment.

L'IA peut-elle diminuer le coût du processus de R&D pharmaceutique ?

Oui ! L'IA peut être utilisée pour accélérer certaines étapes du processus de R&D pharmaceutique. Cela réduit la main-d'œuvre nécessaire pour accomplir ces étapes, ce qui diminue le coût global du processus.

L'IA peut-elle être utilisée pour les interactions médicamenteuses ?

L'IA peut être utilisée pour prédire les interactions médicamenteuses. Cela permettra aux entreprises pharmaceutiques d'inclure des avertissements appropriés avec leurs produits. De plus, les professionnels de santé (HCP) peuvent également être alertés pour ne pas prescrire ces produits ensemble.