Découverte de Médicaments grâce à l’Intelligence Artificielle

Les grandes avancées naissent souvent de collaborations entre disciplines, et l’industrie pharmaceutique en est l’illustration parfaite. Notamment dans le domaine de la découverte de médicaments, un pilier essentiel de la recherche et développement (R&D) pharmaceutique.

Ce type d’innovation nécessite une planification rigoureuse et implique de nombreux acteurs. Il requiert une collaboration étroite entre la chimie, la biologie, la toxicologie et la pharmacocinétique. Et ce, pour aboutir à un candidat médicamenteux viable contre une maladie donnée.

Heureusement, les scientifiques ne sont plus seuls face à l’immensité de ces tâches, comme c’était le cas auparavant.

Le rôle de l’intelligence artificielle (IA) dans la découverte de médicaments est en constante progression. Selon le McKinsey Global Institute, l’intégration des capacités de l’IA dans les stratégies de big data pourrait générer une valeur annuelle allant jusqu’à 100 milliards de dollars dans le système de santé américain.

Cela implique l’utilisation de la modélisation prédictive et l’analyse approfondie des données issues de capteurs.

Qu’est-ce que l’intelligence artificielle ?

La Food and Drug Administration (FDA) des États-Unis définit l’IA comme : « la science et l’ingénierie de la fabrication de machines intelligentes, en particulier des programmes informatiques intelligents ».

Le machine learning (apprentissage automatique) est une technique d’IA utilisée pour concevoir et entraîner des algorithmes logiciels à apprendre à partir de données.

Il est important de noter que toutes les techniques de machine learning sont considérées comme des techniques d’IA. Mais que toutes les techniques d’IA n’impliquent pas nécessairement le machine learning.

Les workflows standards de l’IA comprennent les étapes suivantes :

Ces processus impliquent également de nombreux algorithmes et techniques de modélisation statistique. Nécessitant une expertise approfondie de la part des développeurs.

Quelle est la difficulté de créer un nouveau médicament ?

La réponse courte est : ce n’est pas facile. Mais les avancées technologiques récentes ont rendu la recherche et le développement pharmaceutiques plus accessibles et efficaces.

Pour étudier chaque maladie, les scientifiques doivent examiner les récepteurs, les enzymes, les protéines et les gènes associés. Une fois cette évaluation effectuée, le processus de formulation d’un médicament ou d’un traitement peut commencer. La figure ci-dessous présente les étapes nécessaires à la découverte de médicaments, selon Vatansever et al., 2021.

L’aspect central de la découverte de médicaments est de concevoir une molécule capable d’inverser une maladie en modifiant l’activité d’une cible. C’est pourquoi l’identification de la cible est la première étape du processus.

Une bonne cible médicamenteuse doit être pertinente par rapport au phénotype de la maladie. Mais doit aussi être adaptée à une modulation thérapeutique (« pharmacopotentialité»).

Les chercheurs doivent également s’assurer que le médicament présente un bénéfice thérapeutique dans une marge de sécurité acceptable.

Un scientifique peut constater qu’un médicament affecte la cible prévue. Mais devra encore évaluer le mode d’action pour garantir la sécurité du patient en utilisant des modèles cellulaires, des modèles animaux et, finalement, des essais cliniques.

Comment l’IA est-elle utilisée dans le développement de médicaments ?

L’analyse de données biologiques multidimensionnelles nécessite des méthodes efficaces pour produire des prédictions précises pour l’identification des cibles.

L’IA est une technologie robuste utilisée pour analyser les données multi-omiques en rapide augmentation dans l’identification de cibles thérapeutiques potentielles.

Priorisation des cibles

La nomination de nouvelles cibles médicamenteuses et leur validation peuvent être coûteuses et chronophages. Ici, l’IA a joué un rôle crucial.

Une méthode de machine learning appliquée aux cibles de maladies est le SVM (Support Vector Machine). Historiquement utilisé pour reconnaître l’écriture manuscrite, détecter les visages ou identifier un locuteur.

Jeon et al. (2014) ont construit un classificateur SVM utilisant des caractéristiques provenant de divers types de données (nombre de copies d’ADN, expression de l’ARN messager, occurrence de mutations et interactions protéine-protéine) pour prioriser les cibles médicamenteuses spécifiques aux cancers du pancréas, du sein et de l’ovaire, afin d’identifier et de prioriser de nouvelles cibles médicamenteuses contre le cancer.

L’algorithme SVM est puissant, ils prévoient de développer de nouvelles fonctions noyau pour aider à la découverte de nouvelles cibles pour des cancers hétérogènes. Tels que les cancers du sein triple négatif (TNBC) et les sarcomes des tissus mous (STS).

Pharmacopotentialité

La probabilité d’influencer une cible spécifique avec un médicament à petite molécule dépend de la capacité de la cible à se lier à de petites molécules en fonction de ses caractéristiques biophysiques.

Les entreprises de découverte de médicaments par Intelligence Artificielle ont abordé la pharmacopotentialité en entraînant des modèles pour l’estimer en utilisant différentes propriétés. Notamment les caractéristiques géométriques, structurelles et physico-chimiques des cavités de liaison aux médicaments et des cavités non liantes sur les protéines.

Cela a aidé les chercheurs à découvrir que les attributs les plus critiques pour estimer la pharmacopotentialité sont la taille et la forme des cavités de surface de la protéine.

Par exemple, Costa et al. (2010) ont développé un méta-classificateur basé sur un arbre de décision en s’entraînant sur des attributs tels que les caractéristiques topologiques du réseau, les profils d’expression tissulaire et la localisation subcellulaire pour chaque gène pharmacopotentiel et non pharmacopotentiel.

Il a correctement identifié 65% des gènes morbides connus avec une précision de 66% et a correctement identifié 78% des gènes pharmacopotentiel connus avec une précision de 75%. Ce domaine nécessite encore de l’innovation.

Prédictions ADME-T (Absorption, Distribution, Métabolisme, Excrétion et Toxicité)

Les propriétés ADME-T sont responsables d’environ la moitié de tous les échecs cliniques, c’est pourquoi il est essentiel d’améliorer ce processus avec des applications d’IA.

La plupart des modèles de prédiction tentent d’établir une relation directe entre les descripteurs moléculaires et les propriétés ADME.

L’introduction des réseaux de capsules, un système d’apprentissage automatique qui est un type de réseau neuronal profond (DNN) pouvant être utilisé pour modéliser des relations hiérarchiques, a amélioré la prédiction ADME-T.

Par exemple, pour prédire la cardiotoxicité des médicaments, Wang et al. (2019) ont développé deux architectures de réseau de capsules : le réseau de capsules convolutionnel (Conv-CapsNet) et le réseau de capsules basé sur la machine de Boltzmann restreinte (RBM-CapsNet) avec une précision de 91,8% et 92,2% respectivement.

Besoin de financement pour votre R&D pharmaceutique ? Leyton peut vous aider

La recherche et le développement pharmaceutiques connaissent une baisse des taux de réussite et un pipeline stagnant.

Faciliter ce type d’innovation peut être coûteux et chronophage tout en représentant un grand risque pour les entreprises pharmaceutiques et celles spécialisées dans la découverte de médicaments par l’Intelligence Artificielle.

Si vous avez besoin de financement pour utiliser l’intelligence artificielle dans la découverte de médicaments, Leyton a accès à une multitude de subventions qui peuvent vous aider à couvrir les coûts de ce travail.