Les défis de la découverte de médicaments : pourquoi 90 % des médicaments échouent avant l’autorisation

La partie la plus coûteuse et la plus complète de l'industrie pharmaceutique est le développement de médicaments, également appelé découverte de médicaments. Le processus complexe de conception d'un nouveau médicament englobe la détection ou le criblage des derniers composés médicamenteux en vue de leur introduction sur le marché pharmaceutique. L'étape suivante implique une évaluation préclinique préliminaire et des études cliniques afin d'assurer la sécurité et l'efficacité des composés pour l'utilisation humaine. Toutes ces étapes, ainsi que l'assurance du contrôle qualité dans le cadre des autorisations réglementaires, sont essentielles pour calibrer et valider si le médicament est sûr pour l'usage humain. Ce processus est vital pour répondre aux besoins médicaux existants, faire progresser la médecine et améliorer l'issue pour les patients. 

Parmi toutes les étapes impliquées dans le développement de médicaments, plusieurs défis surviennent lors de l'identification de la cible, des études précliniques, de l'approbation réglementaire et bien d'autres. Dans cet article, nous examinerons les différents défis rencontrés dans le développement de médicaments et la mise en œuvre de l'IA dans la découverte de médicaments, ainsi que fournirons un aperçu du rôle de l'IA dans le développement de médicaments pour surmonter les obstacles et les retards. 

Les étapes de la découverte de médicaments :

1) Recherche et développement - Dans cette phase initiale, les scientifiques explorent les mécanismes des maladies et identifient des candidats-médicaments potentiels par la recherche en laboratoire.  

2) Identification de la cible - L'identification d'une molécule biologique, telle qu'une protéine ou un gène, joue un rôle clé dans la progression de la maladie afin que le médicament puisse modifier la cible.

3) Études précliniques-  Une étude en laboratoire conduite sur des modèles animaux pour évaluer la sécurité, l'efficacité et la pharmacocinétique avant le début des essais sur l'homme.

4) Demande d'autorisation d'essai clinique (IND) - Une demande soumise aux autorités réglementaires, telles que la FDA, sollicitant l'autorisation de commencer les essais cliniques chez l'homme sur la base des données précliniques existantes.

5) Essais cliniques -  Ils comprennent un processus en quatre phases impliquant des participants humains pour évaluer la sécurité d'un médicament, la posologie optimale et son efficacité dans le traitement de la maladie. 

6) Revue et approbation -  Les agences réglementaires évaluent les données des essais cliniques, les processus de fabrication et les rapports QA/QC afin de déterminer si le médicament répond aux critères d'approbation.

7) Nouvelle demande de médicament - Une demande formelle soumise aux organismes de réglementation pour l'autorisation commerciale, incluant des données complètes sur les essais cliniques, la sécurité, l'efficacité et les détails de fabrication.

Voir aussi : Développement de médicaments : de la découverte au marché 

Quels sont les défis de la découverte de médicaments

Identification de la cible

Le développement de médicaments commence par l'identification d'une cible sur laquelle un médicament doit agir afin que des composés médicamenteux puissent être identifiés pour potentiellement atteindre la cible. Comprendre la cause d'une condition pathologique aide à connaître les voies de la maladie et à développer un médicament ciblé. Ainsi, le choix de la molécule biologique appropriée est essentiel. Bien que ce processus soit crucial dans le développement de médicaments, il est souvent compliqué en raison des systèmes biologiques et de la manière dont le ciblage de molécules spécifiques pourrait impacter l'effet de la maladie. Des maladies comme Alzheimer, le cancer, les troubles cardiovasculaires et le diabète sont des quelques maladies avec des approches multi‑cibles qui rencontrent des défis importants lorsqu'il s'agit d'identifier les protéines exactes pour des maladies complexes, de détecter les sites de liaison des protéines cibles efficaces et de gérer les effets indésirables potentiels inattendus d'autres protéines. 

Développement de biomarqueurs

Les biomarqueurs, ou marqueurs biologiques, sont des caractéristiques mesurables qui indiquent l'état de l'organisme et sont utilisées pour l'évaluation clinique de la santé, de la maladie et de l'efficacité des thérapies. Les biomarqueurs peuvent être des gènes, des molécules, des protéines, des tissus ou des types cellulaires indicatifs des processus pathologiques ou normaux du corps. Biomarqueurs dans le développement de médicaments sont utilisés pour surveiller la réponse au médicament et évaluer son profil de sécurité.

L’un des principaux défis de la découverte de biomarqueurs est le grand nombre de fausses découvertes. Cela se produit lorsque d’autres laboratoires ou des échantillons indépendants ne peuvent pas reproduire les résultats scientifiques initiaux associés à un nouveau biomarqueur. Il est difficile d’identifier les biomarqueurs et, finalement, de développer des médicaments ciblés si les mécanismes biologiques de la maladie sont inconnus. Des méthodes de validation clinique correctes sont essentielles dans le développement des biomarqueurs car une mise en œuvre inappropriée pendant le développement peut avoir un impact négatif sur les résultats pour les patients. 

Modèles animaux

Dans le processus de développement de médicaments, les essais précliniques sont des analyses in vivo de molécules médicamenteuses consistant en modèles animaux. Ces modèles non humains peuvent parfois ne pas parvenir à prédire la précision, l’efficacité et l’indice thérapeutique du médicament. Cela est probablement dû à l’incapacité des animaux à reproduire la maladie de manière exhaustive en raison de différences biologiques, telles que des variations du métabolisme, ce qui peut entraîner une efficacité inexacte. Les expériences précliniques sur cellules, tissus et modèles animaux sont des reproductions imparfaites de la maladie humaine et du traitement en raison de différences de structure des organes, de réponses immunitaires, de composition génétique et de voies de signalisation, contribuant davantage aux défis; ainsi, les résultats positifs obtenus dans les systèmes de modèles animaux peuvent ne pas se reproduire chez les participants humains. 

Ces limites ont conduit à des échecs significatifs de médicaments en essais cliniques. Par exemple, des vecteurs de thérapie génique considérés comme sûrs dans des études animales ont provoqué des insuffisances hépatiques graves et des œdèmes cérébraux chez des enfants. De même, des vaccins contre le VIH, des traitements de l’AVC, des agents pour les maladies inflammatoires et des thérapies contre la maladie d’Alzheimer ont montré des résultats prometteurs chez les animaux, mais ont finalement échoué chez l’humain, mettant en évidence la nécessité de modèles prédictifs plus fiables dans le développement de médicaments.

Essais cliniques

Les essais cliniques sont la principale nécessité pour le développement des médicaments car il est essentiel de réaliser des essais sur un petit nombre de volontaires humains initialement afin d’analyser l’efficacité et la sécurité et de percevoir la pharmacologie du médicament et la survenue d’effets indésirables.Une population de patients limitée, le recrutement de patients de régions géographiques et de sexes différents, et le manque d’implication des patients sont des défis importants dans les essais cliniques. Inscrire des patients pour des maladies rares et maintenir la diversité parmi les volontaires d’essais, la rétention des patients, la gestion et l’identification des EIM sont des problèmes importants dans les essais car ils peuvent mettre fin ou suspendre le processus de découverte de médicaments. Gen Li, le président et fondateur de Phesi, une société de data science clinique qui utilise l’IA pour analyser les données d’essais cliniques, a déclaré, « Les essais cliniques ne commencent jamais. Une fois qu’ils commencent, ils n’arrivent jamais à leur fin. »

Coût élevé : le développement de médicaments est cher !

Le développement de médicaments est un processus coûteux ; le financement joue un rôle important dès le stade initial, de la recherche sur les médicaments à la validation des cibles, à l’optimisation des leads, aux essais cliniques et précliniques, à la fabrication, au marketing et à la surveillance post-commercialisation. La qualité et l’efficacité du médicament dépendent de la qualité des matières premières utilisées. Les coûts élevés de découverte de médicaments proviennent des taux d’échec élevés, des essais cliniques coûteux, des processus réglementaires complexes et de la protection par brevet onéreuse ; de plus, il n’y a pas de retour sur investissement prometteur. Le financement limité pour les médicaments orphelins et le coût élevé de la R&D constituent des obstacles financiers supplémentaires.

Les dépenses de développement pour les maladies neurodégénératives, les thérapies géniques et la médecine personnalisée sont également trop élevées. Les solutions potentielles incluent les partenariats public-privé, la modélisation computationnelle avancée, le développement de biomarqueurs et l’amélioration des politiques de remboursement. Ces approches visent à réduire les coûts, améliorer l’efficacité et favoriser l’innovation dans le développement de médicaments pour des besoins médicaux non satisfaits.

Données tirées de « Estimated Research and Development Investment Needed to Bring a New Medicine to Market, 2009–2018, » JAMA 

Manque d’information

Comme le développement de médicaments est un processus novateur, il existe peu ou très rarement des données préexistantes. La durée du traitement et le schéma posologique ne sont pas spécifiés pour les essais précliniques ; par conséquent, on approche la dose minimale tolérée, ce qui peut ne pas aboutir aux résultats souhaités du médicament. De plus, le développement de médicaments pour les maladies rares peut être particulièrement difficile en raison d’un manque de connaissances, ce qui peut également retarder la recherche. Un manque d’information est un défi important dans découverte de médicaments, et cela comprend des voies pathologiques peu claires, des données patients limitées, des modèles animaux inadéquats et l’absence de biomarqueurs fiables. 

Des mécanismes de maladie peu clairs, comme dans la maladie d’Alzheimer, rendent difficile l’identification de cibles médicamenteuses efficaces. Des données insuffisantes sur des populations diversifiées affectent l’efficacité du médicament, en particulier pour les maladies rares. Des modèles animaux inadaptés peuvent induire en erreur les résultats précliniques, surtout dans les affections neurologiques. De plus, l’absence de biomarqueurs, comme au stade précoce du cancer, complique le suivi thérapeutique et la sélection des patients. 

Processus réglementaire et approbation

Le processus d’homologation réglementaire est la procédure la plus complexe, coûteuse et chronophage, car il est crucial de respecter les normes de l’agence. Les demandes d’IND sont examinées avec précision, et toute insuffisance peut mettre les essais cliniques en suspens, entraînant des retards voire un rejet. Le processus long, dépassant souvent une décennie, nécessite des évaluations étendues de la sécurité et de l’efficacité. Des exigences strictes peuvent retarder les approbations, engendrer des coûts de conformité élevés et des dépenses de développement de médicaments dépassant des milliards. L’évolution des réglementations, notamment dans la thérapie génique, rend nécessaires des ajustements continus. De plus, la variabilité des approbations entre régions complique les lancements mondiaux. Ces défis soulignent la nécessité de voies réglementaires rationalisées pour accélérer la mise à disposition des médicaments.

Augmentation de la résistance antimicrobienne (RAM)

Un autre défi majeur du développement de médicaments est l’augmentation de la résistance antimicrobienne (RAM), qui rend les antibiotiques existants inefficaces face à des agents pathogènes en évolution. Malgré le besoin urgent de nouveaux antibiotiques, la R&D dans ce domaine progresse lentement en raison des taux d’échec élevés, des obstacles réglementaires et des incitations financières limitées. De nombreuses entreprises pharmaceutiques hésitent à investir dans la découverte de médicaments antimicrobiens en raison de la faible rentabilité et des processus d’approbation stricts. Cette crise menace la santé mondiale, rendant crucial le dépassement des barrières à l’innovation antibiotique.

Pression croissante pour appliquer des pratiques durables

Avec la sensibilité croissante à l’impact environnemental, la recherche de solutions durables est devenue une priorité. La fabrication pharmaceutique génère d’importants déchets, consomme de vastes ressources et contribue à la pollution environnementale. Les organismes de réglementation et les parties prenantes attendent désormais des développeurs de médicaments qu’ils adoptent des pratiques plus écologiques, telles que la réduction des émissions de carbone, la minimisation des déchets chimiques ou l’élimination plus éthique des déchets chimiques, et l’assurance d’un approvisionnement honnête en matières premières. Cependant, intégrer des pratiques durables dans le développement de médicaments sans compromettre l’efficacité ou augmenter les coûts reste un obstacle important pour l’industrie.

Quel est le rôle de l’IA générative dans la découverte de médicaments ?

L’intelligence artificielle (IA) transforme le développement des médicaments en améliorant l’efficacité à travers diverses étapes de la découverte de médicaments. En 2024, Charles River et Lundbeck ont utilisé Logica® propulsée par l'IA pour accélérer le développement de médicaments neurologiques. La dernière actualité est que Lisata et GATC, une société pharmaceutique en phase clinique et une entreprise de biotechnologie, utilisent la plateforme Technologie avancée multi‑omique™ (MAT) pilotée par l'IA pour accélérer et optimiser la recherche médicamenteuse.

L’IA améliore la sélection des patients, prédit les effets moléculaires et renforce le suivi de l’observance dans les essais cliniques. L’IA évalue d’énormes ensembles de données pour la sélection et la validation des cibles en utilisant l’apprentissage profond et les réseaux convolutionnels de graphes pour prioriser les cibles moléculaires. Les modèles d’études précliniques pilotés par l’IA comme Deeptox prédisent la toxicité et les propriétés pharmacocinétiques. L’IA révolutionne également le criblage des composés et l’optimisation des leads via le criblage virtuel, accélérant l’identification des candidats-médicaments. Ces avancées rationalisent la recherche, réduisent les coûts et accélèrent le développement des médicaments, faisant de l’IA un outil crucial dans l’innovation pharmaceutique moderne.

Conclusion

Les difficultés mentionnées ci‑dessus sont des défis courants mais importants dans le développement de médicaments. Le processus inclut aussi un manque de sensibilisation aux maladies, un manque de ressources, des suspensions d’essais cliniques, des résultats négatifs et une incompatibilité moléculaire. Le processus de découverte de médicaments est un parcours complexe qui implique de multiples étapes de la découverte de médicaments, de l’identification des cibles dans la découverte de médicaments vers l'approbation réglementaire. 

Malgré des défis tels que des coûts élevés, des essais longs et des résultats incertains, les avancées dans L'IA dans la découverte de médicaments transforment le paysage. Qu'est-ce que la découverte de médicaments sans échecs ? Avec intelligence artificielle dans la découverte de médicaments, nous pouvons accélérer la recherche, améliorer la précision et réduire les coûts. Le rôle de l'IA générative dans la découverte de médicaments est particulièrement prometteur, offrant des solutions innovantes pour la conception de molécules et la modélisation prédictive, nous rapprochant de traitements plus rapides, plus sûrs et plus efficaces.