Comment l’IA peut-elle accélérer la découverte de médicaments

Comment l’IA peut-elle accélérer la découverte de médicaments ?

En février 2020, les chercheurs du Massachusetts Institute of Technology (MIT) ont annoncé la découverte d’un nouvel antibiotique, qui s’est avéré être efficace contre plusieurs espèces de bactéries résistantes à tout autre antibiotique, grâce au deep learning. Dans ce contexte, chez Alcimed, nous nous posons la question de l’impact de l’arrivée de l’intelligence artificielle (IA) sur la recherche et développement (R&D) de nouveaux médicaments. La R&D est un processus long et coûteux : il est estimé que les entreprises pharmaceutiques dépensent en moyenne 2,6 milliards de dollars US par médicament développé et qu’il faut environ 12 ans pour mettre un nouveau médicament sur le marché. Au-delà de ces enjeux de coût et de durée, la difficulté à apporter des solutions thérapeutiques pour les maladies rares, l’apparition de résistances à certains médicaments, le développement de la médecine personnalisée ou encore la pression sur le prix des médicaments poussent les industriels à repenser leur modèle de R&D. Grâce à l’arrivée du numérique, dans les hôpitaux et dans les centres de recherche, les sources de données se multiplient, permettant à l’IA de se faire une place dans le domaine de la découverte de médicaments.

Les possibilités d’utilisation de l’Intelligence Artificielle en recherche de médicaments

L’utilisation de bases de données pour la recherche de médicaments n’est pas nouvelle. Cependant, l’arrivée de l’IA pourrait changer la donne car il n’est désormais plus essentiel que des experts comprennent les mécanismes physiopathologiques pour imaginer et identifier de nouvelles solutions, mais seulement d’avoir suffisamment de données pour entraîner une IA à identifier les bonnes corrélations, les pistes nouvelles que l’œil humain n’aurait pu voir.

Les applications de l’IA dans le domaine de la recherche de médicaments incluent la sélection de cibles thérapeutiques les plus adaptées, la recherche de molécules actives sur une cible donnée, l’identification de nouvelles indications pour des médicaments déjà existants ou encore l’optimisation de la chimie médicale d’un candidat médicament.

C’est donc en construisant un modèle capable de reconnaître des molécules chimiques ayant un effet létal sur E.coli, puis en le testant sur une base de données contenant environ 6000 molécules dont on ne connait pas encore l’effet sur E.coli que le MIT a été capable de sélectionner un nouveau composé ayant une activité antibiotique encore jamais découverte. De la même manière, Iktos, une startup française qui travaille dans le domaine de l’IA pour la découverte de médicaments, utilise des modèles génératifs afin de concevoir de nouvelles molécules pour une cible ou un cahier des charges donné à partir de bases de données publiques.

L’IA pour répondre aux enjeux d’accélération de la recherche et de réduction des coûts

Le temps passé à la recherche de molécules d’intérêt ou de cibles thérapeutiques peut être largement diminué avec l’arrivée de l’IA, ce qui constitue un des avantages majeurs de ces approches. En 2019, l’identification de molécules permettant d’inhiber des récepteurs transmembranaires impliqués dans la fibrose, a été effectuée en seulement 21 jours grâce à un outil d’apprentissage par renforcement tensoriel génératif (GENTRL) mis au point par une entreprise de biotechnologie, Insilico Medicine. Cet outil est capable d’identifier et d’apprendre les propriétés d’un espace chimique, puis de générer virtuellement de nouvelles molécules appartenant à cet espace afin de trouver celles qui correspondent au mieux à une cible et un cahier des charges donné.

Ce gain de temps est un réel avantage pour les entreprises pharmaceutiques, qui commencent déjà à créer des partenariats avec des start-ups proposant des outils d’IA pour la découverte de médicaments. La recherche de molécules d’intérêt thérapeutiques pourrait alors être effectuée 100 fois plus rapidement qu’avec des outils plus classiques, comme l’estime Atomwise, une entreprise spécialisée dans l’utilisation de l’IA pour la découverte de médicaments.

Les coûts liés à cette recherche se sont également vus réduits grâce à un meilleur ciblage et une meilleure priorisation des molécules d’intérêt à tester.

Les limites actuelles de l’utilisation de l’IA pour la découverte de médicaments

Les modèles de machine learning ont besoin de beaucoup de données, et bien que de nombreux jeux de données sur certaines maladies ou médicaments soient publics, ce n’est pas toujours suffisant pour alimenter les algorithmes de l’IA. L’accès plus ouvert à plus de données, la génération des données manquantes ou encore l’optimisation des solutions d’IA existantes dans l’objectif d’avoir besoin de moins de données pour fonctionner seront des enjeux clés pour le futur.

Des questions au niveau législatif se posent également dans ce contexte, notamment concernant l’accès aux données des patients et l’utilisation d’algorithmes d’IA pour la découverte de médicaments.

 

En résumé, l’IA offre de nombreuses possibilités d’applications pour la recherche de nouveaux médicaments, en permettant notamment de trouver des cibles thérapeutiques encore inconnues ainsi que de concevoir des molécules efficaces pour une cible donnée, de manière plus rapide et avec une meilleure probabilité de réussite en test clinique qu’avec les méthodes de recherche plus classiques. Même si les outils de l’IA sont de plus en plus nombreux et variés, il n’existe pas de solution magique pertinente pour tout type de projet. Le défi pour les entreprises pharmaceutiques est donc de comprendre quelles technologies sont les plus adaptés à une problématique donnée et quelles sont les conditions pour pouvoir y faire appel.

A propos des auteurs

Axelle, Consultante dans l’équipe Alcimed Santé en France
Amélie, Responsable de l’activité Data dans l’équipe Santé d’Alcimed en France

Vous avez un projet d’exploration ?
Nos explorateurs sont prêts à en discuter avec vous

Contactez nos explorateurs >