Intelligence artificielle et apprentissage automatique révolutionnent la découverte de médicaments

Le développement de nouveaux médicaments et produits pharmaceutiques est un processus complexe, consommateur de ressources et coûteux, avec un taux d’échec incroyablement élevé. Pour réduire le fardeau global et répondre aux exigences élevées de la découverte de médicaments, les entreprises pharmaceutiques cherchent à intégrer l’intelligence artificielle (IA) et l’apprentissage automatique (ML) dans leurs processus de découverte de médicaments. Les systèmes alimentés par l’IA ont déjà été intégrés à divers processus opérationnels des entreprises pharmaceutiques. Par exemple, GenAI et les chatbots basés sur l’IA sont utilisés régulièrement.

L’intégration de l’IA et du ML dans la découverte de médicaments est prometteuse. Les solutions alimentées par l’IA et le ML ont amélioré l’efficacité et les taux de succès de divers processus dans plusieurs industries. Ce potentiel peut également se traduire dans la découverte de médicaments. Cependant, comme la découverte de médicaments est un processus complexe, les solutions d’IA et de ML peuvent être intégrées à plusieurs étapes clés pour accélérer le calendrier.



Quelle est la portée ?

L’IA et le ML peuvent transformer la découverte de médicaments en contribuant à certaines zones clés de la chaîne de découverte :

Identification et validation de cibles

L’identification des cibles prend du temps car les chercheurs doivent analyser des milliers de protéines et de molécules issues d’échantillons de patients pour identifier celles qui jouent un rôle clé dans la transmission et la progression de la maladie. Les modèles d’IA et de ML peuvent analyser de grands ensembles de données pour identifier de nouvelles cibles médicamenteuses, réduisant le temps nécessaire. De plus, les modèles de ML peuvent prédire les gènes et protéines associés à la maladie chez les patients, qui n’ont ensuite qu’à être vérifiés, accélérant la chronologie du développement de médicaments.

Criblage des candidats composés

Le criblage des candidats consiste à tester des composés contre la cible identifiée afin de déterminer leur potentiel thérapeutique. Cependant, il existe des milliers de bibliothèques à examiner, ce qui en fait un processus long et gourmand en ressources. Les modèles d’IA peuvent cependant examiner les bibliothèques disponibles et dresser la liste de composés potentiels.

Prédiction des interactions médicamenteuses et des effets secondaires

Les modèles d’IA et de ML entraînés sur des données d’interaction moléculaire peuvent prédire les effets indésirables des candidats-médicaments lorsqu’ils sont utilisés avec d’autres médicaments. Le candidat-médicament peut alors être modifié pour réduire ces interactions ou effets secondaires. De plus, ces modèles peuvent également prédire la toxicité à court et à long terme du candidat-médicament, évitant d’éventuelles perturbations ultérieures dans la phase de développement.

Médecine personnalisée et développement de médicaments de précision

Avec l’intérêt croissant pour la médecine personnalisée et le développement de médicaments de précision, les modèles d’IA et de ML peuvent en accélérer l’intégration. Les modèles d’IA peuvent personnaliser le médicament en fonction de la génétique du patient, des biomarqueurs et du mode de vie. Les modèles de ML peuvent prédire les réponses à la médecine personnalisée.

Automatisation des processus

L’IA peut aussi automatiser les processus de laboratoire impliqués dans le développement de médicaments. Par exemple, les modèles d’IA peuvent accélérer le criblage à haut débit et les tests de médicaments. Les modèles de ML peuvent analyser les résultats de laboratoire et optimiser les protocoles expérimentaux existants pour atteindre les références.

L’IA et le ML ne sont plus un rêve lointain — ils sont une réalité mise en œuvre par de nombreuses entreprises pharmaceutiques.

Qui utilise l’IA et le ML ?

AlphaFold

Google DeepMind’s AlphaFold a prédit plus de 200+ millions de structures protéiques. Le serveur AlphaFold peut prédire comment les protéines interagissent avec divers biomolécules. AlphaFold 3, le modèle le plus récent annoncé par Google DeepMind, peut prédire avec précision la structure des protéines, des ligands, de l’ADN, de l’ARN et des biomolécules ainsi que leurs interactions avec d’autres matières.

BenevolentAI

BenevolentAI, ou Benevolent Platform, est l’un des outils de découverte et de développement de médicaments axés sur l’IA les plus étudiés. La plateforme utilise l’IA pour résoudre des problèmes spécifiques de découverte de médicaments. Elle peut être utilisée pour l’évaluation des biomarqueurs et le repositionnement de médicaments. La technologie peut être intégrée à la plateforme d’une entreprise en utilisant les offres d’API de Benevolent.

Insilico Medicine

Insilico Medicine propose une suite logicielle de découverte de médicaments nommée Pharma.AI pour accélérer le processus de découverte de médicaments. PandaOmics permet la découverte de cibles. Chemistry42 est une plateforme basée sur le ML qui peut être utilisée pour trouver de nouvelles molécules de type lead. inClinico peut être utilisé pour concevoir et prédire le taux de réussite des essais cliniques.

Atomwise

AtomNet d'Atomwise utilise un réseau neuronal convolutionnel profond pour la découverte de médicaments. AtomNet facilite la découverte de médicaments basée sur la structure et s’attaque actuellement à plus de 600 cibles pathologiques uniques. La plateforme est activement utilisée pour la recherche pharmaceutique depuis plus de 2 ans.

NVIDIA Clara Discovery

Clara Discovery de NVIDIA est une suite de frameworks, d’applications et de modèles propulsés par l’IA qui permettent la découverte de médicaments par calcul. Elle prend en charge des workflows génomiques, des pipelines CryoEM, le criblage virtuel, la simulation moléculaire et la prédiction de structures protéiques.

Ces technologies sont utilisées pour accélérer la découverte de médicaments afin de répondre à la forte demande mondiale de médicaments plus efficaces et efficients. Cependant, l’intégration de solutions alimentées par l’IA et le ML en est encore à ses débuts, peu d’entreprises pharmaceutiques les intégrant dans leurs opérations courantes. Cela tient principalement à trois défis majeurs.

Défis pour l’IA et le ML

Qualité et disponibilité des données

Les modèles d’IA et de ML sont entraînés sur des données de haute qualité et exigent des données structurées de qualité pour fournir des résultats fiables, précis et reproductibles. En réalité, la plupart des données disponibles sont de mauvaise qualité, non structurées et fragmentées (provenant de diverses sources), nécessitant un pré-traitement des données. De plus, lors de l’obtention et de l’utilisation de ces données, les entreprises pharmaceutiques doivent se conformer aux directives locales et internationales en matière de confidentialité et de sécurité des données. Les problèmes de disponibilité, de confidentialité et de sécurité des données doivent être résolus avant que les modèles d’IA et de ML puissent être intégrés avec succès et à grande échelle.

Obstacles réglementaires

Les modèles d’IA et de ML manquent de soutien réglementaire parce qu’ils ne sont pas transparents quant aux résultats — le modèle peut recommander la Méthode A plutôt que la Méthode B, mais n’expliquera pas la raison sous-jacente de cette recommandation. Cela crée du scepticisme parmi les parties prenantes, y compris les organismes de réglementation, qui soulèvent des préoccupations concernant le cadre éthique du modèle. Ainsi, les directives réglementaires sur l’utilisation des modèles d’IA et de ML restent vagues.Le soutien (ou l’opposition) réglementaire à l’utilisation de l’IA dans la découverte de médicaments n’a pas été établi, rendant l’implémentation des modèles existants délicate.

Obstacles financiers

Bien que l’IA puisse faire gagner du temps et réduire les coûts pendant le développement de médicaments, la mise en œuvre des modèles d’IA et de ML est coûteuse. Les entreprises doivent embaucher du personnel spécialisé et technique pour développer et entraîner les modèles. Souvent, cela peut être tout aussi onéreux. De plus, après la mise en œuvre, les entreprises doivent recruter du personnel supplémentaire pour pré-traiter toutes les données disponibles afin qu’elles puissent être utilisées par le modèle, ce qui augmente le coût opérationnel quotidien du modèle.

Allons-nous surmonter ces défis ?

Nous sommes optimistes que l’industrie pharmaceutique surmontera ces obstacles et que les modèles d’IA et de ML seront déployés. Bien que ces défis paraissent assez importants en 2025, ils ne sembleront pas tels rétrospectivement. Si l’on en croit les récents rapports sur les coûts de développement plus faibles de DeepSeek AI par rapport à ChatGPT, le développement des modèles d’IA et de ML deviendra moins cher, entraînant

une mise en œuvre généralisée et un essor de la découverte de médicaments.

FAQ

1. Quels sont les avantages de l’apprentissage automatique dans le développement de médicaments ?

2. L'IA peut-elle prédire les effets secondaires et les interactions médicamenteuses ?

Oui, les modèles d'IA peuvent prévoir d'éventuels effets secondaires et interactions, aidant à éviter des échecs aux étapes ultérieures.

3. Quelles entreprises utilisent l'IA pour la découverte de médicaments ?

Parmi les leaders figurent DeepMind (AlphaFold), BenevolentAI, Insilico Medicine, Atomwise et NVIDIA.