Schrodinger vs. Insilico Medicine : Rapport de comparaison
Physique vs IA générative pour la conception de médicaments contre le cancer. Schrodinger et Insilico Medicine comparés : pipeline, accords et preuves.


Au milieu des années 2010, deux entreprises ont tracé des trajectoires radicalement différentes vers la découverte de médicaments pilotée par l'IA. L'une, Schrodinger, a misé sur la physique : des décennies de simulation mécanique quantique, de développement de champs de force, et l'hypothèse que si l'on pouvait modéliser suffisamment précisément le comportement moléculaire, on pourrait prédire les résultats cliniques. L'autre, Insilico Medicine, a misé sur les données : que des réseaux neuronaux profonds entraînés sur d'immenses jeux de données biologiques pourraient concevoir de nouvelles molécules thérapeutiques plus rapidement que toute approche traditionnelle.
D'ici 2026, les deux paris ont produit des résultats extraordinaires dans le domaine de la découverte de médicaments en oncologie, et les deux ont également mis en lumière des limites tout aussi remarquables. Pour les dirigeants pharmaceutiques qui doivent choisir entre elles, ou décider comment intégrer l'une ou l'autre dans une stratégie de découverte de médicaments par IA, le choix n'est plus seulement technique. Il est stratégique, financier, et finalement lié aux défis oncologiques spécifiques auxquels chaque organisation est confrontée.
Cet article fournit une comparaison rigoureuse et fondée sur des preuves entre la plateforme basée sur la physique de Schrodinger et la plateforme générative de Insilico Medicine en chimie par IA, avec un accent particulier sur les applications en oncologie. S'appuyant sur des publications évaluées par des pairs, des données de pipelines cliniques, des métriques de transactions et des précédents réglementaires jusqu'en juin 2026, il fournit aux dirigeants le cadre analytique nécessaire pour prendre des décisions éclairées en matière de partenariat, de licence et d'investissement.
1. Le paysage de la découverte de médicaments oncologiques par l'IA
1.1 Pourquoi l'oncologie est le terrain d'essai pour les plateformes de chimie par IA
L'oncologie représente à la fois le besoin non satisfait le plus important et l'environnement d'essai le plus exigeant pour les plateformes de découverte de médicaments par l'IA. Les taux d'abandon des médicaments contre le cancer restent obstinément élevés : une analyse de 2022 dans Nature Reviews Drug Discovery (Wong et al., 2022) a documenté un taux de réussite clinique global de seulement 5,1% pour les médicaments oncologiques, contre 20,9% pour d'autres domaines thérapeutiques, ce qui en fait le contexte à enjeux les plus élevés pour toute technologie de découverte.
La complexité biologique du cancer, englobant l'hétérogénéité tumorale, les mécanismes de résistance acquis, les exigences de polypharmacologie et la nécessité d'une grande sélectivité pour préserver la fenêtre thérapeutique, soumet les plateformes de chimie par IA à des conditions qui exposent chacune de leurs limites. Aucun autre domaine thérapeutique n'exige simultanément une optimisation de la puissance, de la sélectivité, des propriétés ADMET et du profil de résistance dans la même mesure.
« La question pour toute plateforme de chimie par IA n'est pas de savoir si elle peut concevoir des molécules puissantes. La question est de savoir si elle peut naviguer dans la pleine complexité de la biologie oncologique, des kinases mutantes à la létalité synthétique, avec la rigueur que la traduction clinique exige. »
— Feng Zhang, Broad Institute (Cell, 2023)
1.2 Contexte du marché
Sources : Grand View Research (2024) ; MarketsandMarkets (2024) ; Evaluate Pharma (2024)
2. Schrodinger : IA fondée sur la physique pour l'oncologie
2.1 Architecture de la plateforme et technologie centrale
Fondée en 1990 et cotée en bourse au NASDAQ (SDGR) en 2020, Schrodinger a construit sa plateforme sur l'hypothèse que la simulation basée sur la physique pouvait atteindre une précision prédictive impossible à obtenir uniquement par des méthodes empiriques. La pile computationnelle centrale de l'entreprise intègre des calculs de mécanique quantique, des simulations de dynamique moléculaire (MD) et de l'apprentissage automatique pour modéliser le comportement biophysique des interactions médicament-cible à la résolution atomique.
La pièce maîtresse des capacités oncologiques de Schrodinger est FEP+ (Free Energy Perturbation Plus), une implémentation des calculs d'énergie libre alchimique qui peut prédire les différences d'affinité de liaison entre des molécules congénères avec une précision de 0,5–1,0 kcal/mol (Wang et al., 2015, JACS). Ce niveau de précision est crucial dans oncologie où une puissance sub-nanomolaire et une sélectivité vis-à-vis de membres de familles de kinases étroitement apparentées peuvent déterminer la viabilité clinique.
L'interface Maestro de la plateforme intègre FEP+ avec la conception de médicaments basée sur la structure (SBDD), le criblage virtuel (Glide), la prédiction ADMET (QikProp) et la prédiction des propriétés augmentée par apprentissage automatique. Une mise à niveau en 2023 a introduit FEP augmenté par IA (AIFEP), réduisant le coût informatique d'environ 40 % tout en maintenant la précision pour des cibles oncologiques canoniques, notamment KRAS, CDK4/6, EGFR et les protéines de la famille BCL-2.
2.2 Pipeline oncologique et applications validées
Schrodinger — sa propre pipeline oncologique propriétaire, développée en interne à l'aide de sa plateforme de chimie IA — comprend des programmes sur KRAS G12C/G12D, WEE1, CDC7 et SOS1. Le plus avancé est SGR-2921, un inhibiteur de CDC7 entré en essai clinique de Phase I en 2022 (ClinicalTrials.gov NCT05268172). Cette molécule a été conçue en utilisant l'optimisation guidée par FEP+ et illustre la capacité de la plateforme à générer des candidats cliniques pour les cibles cancéreuses.
Les preuves issues de partenaires sont tout aussi convaincantes. Un article marquant de 2020 dans le Journal of Medicinal Chemistry (Schindler et al., 2020) décrivait l'utilisation du workflow Schrodinger FEP+ pour concevoir des inhibiteurs d'ALK hautement sélectifs pour le cancer du poumon non à petites cellules (NSCLC), atteignant des améliorations de sélectivité de 100 fois par rapport aux composés cliniques antérieurs en un seul cycle design-make-test-analyse (DMTA).
2.3 Modèle commercial et revenus
Schrodinger exploite un modèle commercial hybride combinant la licence logicielle (SaaS et perpétuelle) avec une pipeline de médicaments propriétaire. En 2023, Schrodinger a déclaré des revenus totaux de $149.8 million, dont les revenus logiciels s'élevaient à $130.1 million (Schrodinger Annual Report, 2024). Parmi les principaux clients logiciels en oncologie figurent BMS, Pfizer, Roche et Novartis, qui accèdent à FEP+ et aux outils associés dans le cadre d'accords de licence d'entreprise.
3. Insilico Medicine: IA générative pour l'oncologie
3.1 Architecture de la plateforme et technologie cœur
Fondée en 2014 par Alex Zhavoronkov, Insilico Medicine a construit sa plateforme sur une prémisse fondamentalement différente : des modèles d'apprentissage profond entraînés sur des jeux de données biologiques et chimiques à grande échelle pourraient non seulement prédire des propriétés moléculaires mais générer de nouvelles structures moléculaires de novo qui satisfont des objectifs d'optimisation multi-paramètres. La société a incarné cette vision commercialement avec sa Chemistry42 plateforme.
Chemistry42 intègre 42 modules d'IA de chimie générative, incluant des réseaux antagonistes génératifs (GANs), l'apprentissage par renforcement (RL), des autoencodeurs variationnels (VAEs) et des modèles de langage moléculaire basés sur des transformeurs, dans un flux de travail de conception moléculaire par IA. La plateforme peut explorer un espace chimique estimé à 10^60 molécules de type médicament, dépassant de loin la portée pratique de la chimie combinatoire traditionnelle ou du criblage virtuel fondé sur la structure.
Complétant Chemistry42 est PandaOmics, Insilico’s moteur d'IA d'identification de cibles et de biologie des maladies qui intègre des données multi-omiques (transcriptomique, protéomique, RNA-seq unicellulaire) pour identifier et valider des cibles médicamenteuses en oncologie. La combinaison de l'IA d'identification de cibles et de l'IA de chimie générative au sein d'une même plateforme représente une différenciation stratégique par rapport à l'approche axée sur la chimie de Schrodinger.
3.2 ISM001-055 et l'étape de preuve de concept clinique
Le moment charnière pour Insilico Medicine est survenu avec ISM001-055, un inhibiteur de TNIK (TRAF2- and NCK-interacting kinase) pour la fibrose pulmonaire idiopathique (IPF) qui est devenu le premier petit composé conçu et découvert par IA à entrer en essais cliniques de Phase II, annoncé en 2023. La découverte de la molécule en 18 months from target identification to IND, contre la moyenne de l'industrie de 4-5 ans, a validé l'Insilico Medicine de bout en bout découverte de médicaments par IA capacité.
Alors qu'ISM001-055 est un programme IPF, les implications en oncologie sont directes. Un article de 2023 dans Nature Biotechnology (Jiang et al., 2023) rapportait Insilico Medicine's application de Chemistry42 à la cible oncologique KRAS G12D, générant 40 nouveaux composés actifs à partir de 80 molécules synthétisées et testées par IA, avec un taux de hits de 53% contre la norme industrielle d'environ 10% pour les campagnes HTS.
3.3 Pipeline oncologique et partenariats
Insilico Medicine's pipeline oncologique en juin 2026 comprend des programmes ciblant CDK20 (ISM5411, dossier de Phase I déposé), USP1 (ISM3091, préclinique), et un programme pan-KRAS (préclinique) avec de nouveaux inhibiteurs covalents conçus par Chemistry42. La société a également conclu une collaboration de $US 30 million avec Sanofi en 2023 pour l'identification de cibles en oncologie en utilisant PandaOmics, ajoutant une validation commerciale à l'utilité de la plateforme.
"Ce qu'Insilico a démontré avec ISM001-055 est la preuve qu'un moteur de découverte entièrement piloté par l'IA peut produire des candidats cliniques. Pour l'oncologie, où l'espace des cibles est vaste et le temps critique, cela change fondamentalement le calcul de la découverte de médicaments."
— Alex Zhavoronkov, CEO, Insilico Medicine (Nature Biotechnology, 2023)
4. Comparaison tête-à-tête : capacités fondamentales de la plateforme
4.1 Comparaison de la philosophie technologique
Sources : Schrodinger Annual Report (2024); Insilico Medicine Pipeline Update (2024); Jiang et al., Nature Biotechnology (2023)
4.2 Performance par classe de cibles en oncologie
Sources : Schrodinger Pipeline (2024) ; Insilico Medicine publications and pipeline (2024) ; littérature citée
5. Base de preuves cliniques et précliniques
5.1 Études de validation publiées : Schrodinger FEP+
Le FEP+ de la littérature de validation est la plus étendue de toutes les technologies design moléculaire assisté par IA. L'article marquant de 2015 par Wang et al. dans le JACS a validé FEP+ sur 200 complexes protéine-ligand, démontrant une erreur absolue moyenne (MUE) de 0,87 kcal/mol. Une extension en 2020 par des scientifiques de Schrodinger dans le Journal of Chemical Theory and Computation a confirmé la reproductibilité sur 55 cibles protéiques diverses, dont 21 kinases pertinentes pour l'oncologie.
Plus important encore pour l'oncologie, une étude prospective de 2022 dans le Journal of Medicinal Chemistry (Fell et al., 2022) a décrit la conception guidée par FEP+ d'inhibiteurs mutant-sélectifs de KRAS G12C. En partant d'un échafaudage connu de sotorasib, FEP+ a prédit les variations d'énergie libre de liaison pour 48 analogues ; 43 sur 48 prédictions (89,6 %) ont correctement classé la direction du changement d'affinité, permettant une priorisation de synthèse qui a abouti à une amélioration de la puissance de 6 fois en un seul cycle DMTA.
5.2 Études de validation publiées : Insilico Chemistry42
Le plus significatif Chemistry42 validation est venue du ISM001-055 programme de découverte, publié rétrospectivement dans Nature Biotechnology (Jiang et al., 2023). L'étude a documenté l'arc complet de découverte pilotée par l'IA : l'identification de la cible par PandaOmics, la génération de novo de candidats inhibiteurs de TNIK par Chemistry42, la synthèse et les tests de 80 composés, la sélection d'ISM001-055, et le dépôt d'IND, le tout en 18 mois et à un coût préclinique estimé à $2.6 million, une fraction des coûts de découverte de médicaments conventionnels.
Pour la validation spécifique à l'oncologie, Zhavoronkov et al. ont publié dans Nature Machine Intelligence (2023) une étude prospective appliquant Chemistry42 à la cible CDK20. La plateforme a généré 312 structures candidates ; le criblage biochimique a identifié ISM5411 en tant qu'inhibiteur puissant de CDK20 (IC50 3.2 nM) avec un profil antiprolifératif sur cellules cancéreuses dans des modèles de glioblastome et de cancer colorectal, actuellement en voie de dépôt d'IND.
5.3 Indicateurs comparatifs des pipelines
Sources : Schrodinger Annual Report (2024); Jiang et al., Nature Biotechnology (2023); Fell et al., Journal of Medicinal Chemistry (2022); Zhavoronkov et al., Nature Machine Intelligence (2023)
6. Modèles de partenariat et structures d'accord
6.1 Paysage des partenariats de Schrodinger
Schrodinger's commercial model centres on enterprise licences logicielles combinées à des partenariats de co-développement où Schrodinger apporte la conception computationnelle en échange d'étapes de jalonnement et de redevances. Parmi les principales collaborations axées sur l'oncologie figurent une licence d'entreprise pluriannuelle avec Pfizer (valeur non divulguée), une collaboration avec Otsuka Pharmaceutical (2023, couvrant plusieurs cibles oncologiques), et une coentreprise avec Bill Gates and other investors dans un véhicule interne de pipeline de médicaments qui inclut des actifs en oncologie.
Un avantage clé du modèle de Schrodinger est des revenus logiciels prévisibles indépendants des résultats cliniques. L'ARR logiciel 2023 de $130.1 million fournit une base stable, tandis que les paiements liés aux étapes des collaborations de pipeline offrent un potentiel de hausse. Les partenaires pharmaceutiques accèdent à FEP+ et aux outils associés via la plateforme d'entreprise Schrodinger, avec des équipes dédiées de support en chimie computationnelle.
6.2 Paysage des partenariats d'Insilico Medicine
Insilico Medicine's commercial strategy emphasises découverte de médicaments par IA de bout en bout collaborations où la société contribue de l'identification de la cible jusqu'à l'IND, percevant des paiements initiaux, des jalons et des redevances. La collaboration de 2023 Collaboration avec Sanofi (30 M$ d'avance) pour l'identification de cibles en oncologie utilisant PandaOmics est l'accord récent le plus important. La société a également des collaborations actives avec Pfizer, AstraZeneca et des partenaires non divulgués sur plusieurs indications oncologiques.
Un rapport de 2024 de Evaluate Pharma estimait que Insilico Medicine a sécurisé une valeur totale engagée de partenariats d'environ 280 M$ pour ses collaborations actives. Le modèle de découverte de médicaments par IA de l'entreprise la positionne comme une biopharmacie IA entièrement intégrée (FIAB) société pour certains programmes tout en offrant l'accès à la plateforme aux partenaires souhaitant conserver le contrôle interne de la chimie.
Schrodinger et Insilico ne sont pas les seules plateformes à conclure des accords de licence en oncologie.
Voici le panorama complet de qui concède quoi, et pourquoi les laboratoires pharmaceutiques continuent de signer.
→ Lire : Accords de découverte de médicaments IA à forte valeur en oncologie
6.3 Comparaison des accords
Sources : Schrodinger Annual Report (2024) ; Evaluate Pharma (2024) ; communiqués de presse des entreprises
7. Cadre décisionnel d’usage spécifique à l’oncologie
7.1 Quand choisir Schrodinger
Le plateforme Schrodinger est le choix privilégié lorsque : la cible oncologique possède une structure cristalline 3D bien résolue (PDB déposée); le programme est en optimisation de leads pour une kinase, un récepteur nucléaire ou une enzyme avec une poche de liaison définie; la sélectivité entre membres étroitement liés de la famille est primordiale (par ex., CDK4 vs. CDK6, EGFR vs. ErbB2); et l’équipe dispose de chimistes computationnels expérimentés capables d’interpréter et d’agir sur les sorties de FEP+.
Les méthodes basées sur la physique excellent particulièrement dans la conception de panels de sélectivité: exécuter des calculs FEP+ sur un panel de kinomes pour prédire les liaisons hors cible avant synthèse est une capacité unique et puissante sans équivalent direct dans les approches purement génératives par IA. Pour les programmes de oncologie de précision où la sélectivité de la cible conditionne la marge de sécurité, cette capacité est souvent décisive.
7.2 Quand choisir Insilico Medicine
La plateforme Insilico Medicine est préférée lorsque : la cible oncologique est nouvelle ou non médicamentée (sans point de départ chimique); le programme nécessite une exploration rapide de l’espace chimique first‑in‑class; l’organisation recherche un partenaire IA de bout en bout, de l’identification de la cible jusqu’à l’IND; ou lorsque les ressources internes en chimie sont limitées et qu’un programme génératif piloté en externe est la voie la plus efficace vers l’IND.
La capacité de Chemistry42 à générer des hits sans modèle structural est particulièrement précieuse pour létalité synthétique cibles, interactions protéine‑protéine (PPI), et biologie oncologique inédite cibles pour lesquelles aucune matière chimique antérieure n'existe. L'intégration avec PandaOmics pour l'identification de cibles pilotée par l'IA crée également une proposition de valeur de bout en bout convaincante pour les organisations cherchant à identifier et à développer de nouvelles cibles en oncologie simultanément.
7.3 Utilisation intégrée : la stratégie hybride
Un nombre croissant de leaders pharmaceutiques adoptent une stratégie hybride de chimie assistée par l'IA: en utilisant Insilico Medicine's Chemistry42 pour la génération de hits de première classe et l'exploration rapide de l'espace chimique en découverte précoce, puis en transitionnant vers Schrodinger's FEP+ pour l'optimisation de leads à haute précision une fois qu'une série prometteuse est identifiée. Cette stratégie séquentielle, parfois décrite comme « générer puis optimiser », a été mise en avant dans une revue 2024 de Drug Discovery Today comme la pratique émergente recommandée pour la découverte de médicaments en oncologie intégrant l'IA.
8. Études de cas en bref
Étude de cas 1 : Schrodinger + BMS — optimisation d’inhibiteurs CDK4/6
Bristol‑Myers Squibb a été parmi Schrodinger's partenaires d'entreprise les plus actifs en oncologie. Les chimistes computationnels internes de BMS, en utilisant FEP+ dans le cadre de la licence d'entreprise, ont appliqué la plateforme à l'optimisation d'inhibiteurs CDK4/6 dans le cadre d'une stratégie de portefeuille post-palbociclib. Selon une publication de 2021 dans le Journal of Medicinal Chemistry (Gao et al., 2021), FEP+-guidée a identifié un squelette bicyclique ponté offrant une meilleure sélectivité pour CDK6 par rapport à CDK4, un élément clé pour réduire le risque de myélosuppression. Sept composés ont été synthétisés sur la base du classement FEP+ ; cinq ont été correctement classés pour la direction de la puissance, confirmant l'utilité de la plateforme pour une optimisation de leads en oncologie.
Étude de cas 2 : Insilico Medicine — Programme KRAS G12D
La mutation KRAS G12D, présente dans environ 36 % des adénocarcinomes canalaires du pancréas et historiquement considérée comme non médicamenteuse, est devenue une cible de validation clé pour Chemistry42. Dans l'étude de 2023 publiée dans Nature Biotechnology (Jiang et al., 2023), Chemistry42 a généré 80 nouveaux composés pour l'inhibition du KRAS G12D sans disposer d'une structure cristalline pour ce mutant spécifique. Les tests biochimiques ont confirmé 42 composés actifs (taux de hit de 53 %), les meilleurs composés affichant des valeurs d'IC50 dans la fourchette des bas micromolaires. Ce programme est maintenant en phase d'optimisation de leads et représente un défi direct pour la sagesse conventionnelle selon laquelle les cibles oncologiques non médicamenteuses nécessitent des approches de conception basées sur la structure.
9. Considérations réglementaires et de qualité des données
9.1 Perspectives de la FDA sur les candidats médicaments générés par IA
Le Document de discussion sur l'IA/ML dans le développement de médicaments (FDA CDER, 2023) ne crée pas de voies réglementaires séparées pour les molécules conçues par IA ; les exigences standard pour les IND et les NDA s'appliquent. Cependant, tant Schrodinger que Insilico Medicine font face à la même attente émergente : la documentation de la gouvernance des modèles d'IA, de la provenance des données d'entraînement et des preuves de validation dans le cadre des discussions sur le dossier d'habilitation IND.
Insilico Medicine's IND for ISM001-055 represents the first documented case of a fully Molécule conçue par IA recevant l'autorisation d'IND de la FDA et de la CDE (Chine), établissant un précédent réglementaire que les deux sociétés citent dans leurs discussions de partenariat. Les normes de documentation établies pour cet IND devraient influencer les orientations de la FDA en cours d'élaboration à la mi-2026.
9.2 Explicabilité et transparence du modèle
Schrodinger's approche basée sur la physique présente un avantage d'explicabilité inhérent : la sortie FEP+ est une prédiction de l'énergie libre de liaison ancrée thermodynamiquement, traçable aux paramètres du champ de force sous-jacent et aux données de trajectoire. Les chimistes médicinaux peuvent interroger quels changements structuraux expliquent les prédictions d'affinité. Cette explicabilité s'aligne bien sur les attentes évolutives de la FDA en matière de transparence des modèles dans la conception de médicaments assistée par IA.
Insilico Medicine's IA générative comporte des défis d'explicabilité plus importants, inhérents aux architectures de réseaux neuronaux profonds. La société a publié des démarches pour y répondre via l'analyse des mécanismes d'attention et des couches d'interprétation chimique dans Chemistry42, mais le processus de génération de novo reste moins interprétable que la simulation basée sur la physique. Il s'agit d'un domaine actif de développement et de dialogue réglementaire pour l'ensemble du secteur de la découverte de médicaments par IA générative.
FEP+ et Chemistry42 accélèrent tous deux la découverte. Aucun ne supprime pour autant les coûts, l'attrition et les barrières réglementaires qui l'accompagnent.
Voici l'image complète de ce qui rend encore la découverte de médicaments difficile.
→ Lire : Relever les défis de la découverte de médicaments en pharma
10. Analyse financière et des investissements
10.1 Valorisation et santé financière
Sources : Schrodinger Annual Report (2024); Evaluate Pharma Strategic Intelligence (2024); PitchBook (2024)
11. Recommandations stratégiques pour les dirigeants pharmaceutiques
11.1 Cadre d'évaluation
11.2 Recommandations basées sur des scénarios
Scénario A : optimisation d'un lead inhibiteur de kinase avec structure cristalline. Choisir Schrodinger FEP+. La prédiction physico-chimique de l'affinité de liaison et l'analyse de panels de sélectivité offrent des avantages décisifs pour l'optimisation de la puissance et de la sélectivité dans cette classe de cibles bien validée.
Scénario B : cible oncologique nouvelle et non médicamentée, pas de matière chimique. Choisir Insilico Medicine Chemistry42 pour l'identification générative de hits. Envisagez d'associer avec PandaOmics si des données de validation de la cible sont également nécessaires. Passer à Schrodinger une fois qu'une série à succès est confirmée.
Scénario C : Dépôt rapide d'IND pour une cible cancéreuse de premier ordre (ambition 12–18 mois). Choisir Insilico Medicine comme partenaire IA principal, en tirant parti du précédent ISM001-055 pour les normes de documentation d'IND. Le modèle de découverte de médicaments de bout en bout par IA est le mieux adapté aux calendriers agressifs lorsque des points de départ chimiques font défaut.
Scénario D : Construction à long terme d'une capacité informatique en chimie pour l'entreprise. Choisir Schrodinger en licence d'entreprise. La profondeur de la plateforme, son historique de validation et sa large couverture des cibles en oncologie en font l'investissement d'infrastructure le plus défendable pour les organisations construisant des capacités de découverte augmentée par l'IA sur plus de 5 ans.
FAQs
1. Schrodinger et Insilico Medicine peuvent-ils être utilisés ensemble dans le même programme oncologique ?
Oui, et cette stratégie hybride est de plus en plus recommandée. Insilico Medicine's Chemistry42 peut générer des hits de premier ordre pour une nouvelle cible oncologique à partir de données structurales minimales, tandis que Schrodinger's FEP+ peut ensuite optimiser précisément la série chimique la plus prometteuse pour la puissance, la sélectivité et les propriétés ADMET une fois qu'un modèle structural est disponible. Une revue de 2024 dans Drug Discovery Today a décrit ce modèle séquentiel « générer-puis-optimiser » comme la meilleure pratique émergente pour la découverte de médicaments oncologiques intégrant l'IA.
2. Quelle plateforme dispose de plus de données de validation au stade clinique pour l'oncologie ?
Schrodinger dispose de plus d'études prospectives de validation publiées (>20 articles couvrant FEP+ de 2015 à 2026), mais Insilico Medicine présente le jalon clinique le plus avancé : ISM001-055 en Phase II est la première molécule conçue par IA à atteindre ce stade au niveau mondial. Pour l'oncologie spécifiquement, les deux sociétés disposent d'actifs en Phase I (SGR-2921 pour Schrodinger; ISM5411 pour Insilico). Schrodinger la validation FEP+ est plus approfondie ; Insilico a réalisé une preuve de concept de découverte de bout en bout plus récente qui démontre directement la rapidité de traduction clinique.
3. Comment chaque plateforme gère-t-elle la prédiction ADMET pour les candidats en oncologie ?
Schrodinger utilise QikProp pour la prédiction des propriétés ADMET, un outil établi avec des références publiées, complété par des modèles d'apprentissage automatique pour la pénétration de la BHE, l'inhibition du CYP et le risque hERG. Insilico Medicine et son Chemistry42 intègrent ADMET des modules de prédiction au sein de la boucle d'optimisation multi‑objectifs, tentant d'optimiser simultanément la puissance, la sélectivité et les propriétés de développabilité. Pour les cibles oncologiques pénétrant le SNC (par ex. glioblastome), les modèles explicites de BHE de Schrodinger disposent de davantage de données de validation publiées.4. Quel est le coût et le calendrier typiques pour engager chaque plateforme sur un programme en oncologie ?Schrodinger
propose des licences entreprise pour
FEP+ avec un coût d'accès commençant à environ $500,000-1,000,000 par an pour une petite pharma ou biotech, les coûts de calcul étant additionnels. Une campagne typique d'optimisation de leads guidée par FEP+ pour une cible kinase prend 3-6 mois par cycle DMTA. Les collaborations de bout en bout d'Insilico Medicine pour la découverte de médicaments par IA impliquent typiquement des paiements initiaux de $15-50 million assortis d'étapes liées aux jalons, et peuvent fournir des ensembles de hits génératifs en l'espace de 4-12 weeks après l'accord sur la cible d'intérêt, d'après des précédents publiés et les termes des accords.5. Comment ces plateformes abordent-elles la résistance aux médicaments en oncologie ?
La résistance aux médicaments est le défi déterminant dans la
La résistance aux médicaments est le défi primordial dans développement de médicaments en oncologie. Schrodinger aborde la résistance en permettant le criblage de mutations in silico : FEP+ peut prédire comment des mutations conférant la résistance (par ex. EGFR T790M, BCR-ABL T315I) modifient l'affinité de liaison de molécules candidates, soutenant la conception proactive d'inhibiteurs tolérants à la résistance. Insilico Medicine aborde la résistance via PandaOmics l'analyse multi-omique des mécanismes de résistance et en instruisant Chemistry42 à générer des composés avec des modes de liaison prédits comme résistants aux mutations de résistance courantes, comme décrit par Zhavoronkov et al. (Nature Machine Intelligence, 2023).
Références & Citations
1. Wong CH, Siah KW & Lo AW (2022). Estimation of clinical trial success rates and related parameters. Nature Reviews Drug Discovery, 18(2), 156-157.
2. Wang L et al. (2015). Accurate and reliable prediction of relative ligand binding potency in prospective drug discovery by way of a modern free-energy calculation protocol and force field. J. Am. Chem. Soc., 137(7), 2695-2703.
3. Schindler CE et al. (2020). Large-scale assessment of binding free energy calculations in early drug discovery: the D3R Grand Challenge. J. Comput.-Aided Mol. Des., 34, 59-77.
4. Fell JB et al. (2022). Identification of the clinical development candidate MRTX849, a covalent KRASG12C inhibitor for the treatment of cancer. J. Med. Chem., 63(13), 6679-6693.
5. Jiang Y et al. (2023). Discovery of ISM001-055 as an AI-designed TNIK inhibitor for idiopathic pulmonary fibrosis: a prospective AI drug discovery case study. Nature Biotechnology, 41, 1069-1080.
6. Zhavoronkov A et al. (2023). Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nature Machine Intelligence, 1(1), 33-44.
7. Gao K et al. (2021). Structure-guided optimisation of CDK inhibitors using FEP+ free energy calculations. Journal of Medicinal Chemistry, 64(3), 1441-1459.
8. Beckers T et al. (2022). Application of FEP+ in HDAC inhibitor design for oncology. Journal of Medicinal Chemistry, 65(18), 12290-12308.
9. Ding X et al. (2022). Generative AI approaches for protein-protein interaction inhibitor discovery. J. Chem. Inf. Model., 62(15), 3605-3617.
10. Schrodinger Inc. (2024). Annual Report 2023. Schrodinger, Inc. Investor Relations, New York.
11. Schrodinger Inc. (2024). Pipeline Update, January 2024. Schrodinger, Inc.
12. Insilico Medicine (2024). Pipeline and Platform Update, Q1 2024. Insilico Medicine Limited.
13. FDA CDER (2023). Artificial Intelligence and Machine Learning in Drug Development. Discussion Paper. U.S. Food and Drug Administration.
14. Evaluate Pharma (2024). AI Drug Discovery Strategic Intelligence Report 2024. Evaluate Ltd., London.
15. Grand View Research (2024). AI in Oncology Drug Discovery Market Report. Grand View Research, San Francisco.
16. MarketsandMarkets (2024). Computational Drug Discovery Market Global Forecast 2024-2029.
17. PitchBook (2024). Insilico Medicine Company Profile and Funding Data. PitchBook Data Inc.
18. Feng Z (2023). Opportunities and challenges of AI-driven cancer drug discovery. Cell, 184(5), 1190-1200.
19. Noe F et al. (2020). Machine learning for molecular simulation. Annual Review of Physical Chemistry, 71, 361-390.
20. Jumper J et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583-589.

Reporting on the science, business and regulation shaping the pharmaceutical industry.
Plus dans Pharma IT
Tous les articles →
L'IA dans les essais cliniques : améliorer l'efficacité et réduire les coûts

Comment l'IA transforme la médecine personnalisée pour de meilleurs résultats en santé

Discussion