IdentifiantMot de passe
Loading...
Mot de passe oublié ?Je m'inscris ! (gratuit)

Vous êtes nouveau sur Developpez.com ? Créez votre compte ou connectez-vous afin de pouvoir participer !

Vous devez avoir un compte Developpez.com et être connecté pour pouvoir participer aux discussions.

Vous n'avez pas encore de compte Developpez.com ? Créez-en un en quelques instants, c'est entièrement gratuit !

Si vous disposez déjà d'un compte et qu'il est bien activé, connectez-vous à l'aide du formulaire ci-dessous.

Identifiez-vous
Identifiant
Mot de passe
Mot de passe oublié ?
Créer un compte

L'inscription est gratuite et ne vous prendra que quelques instants !

Je m'inscris !

Les molécules médicamenteuses découvertes par l'IA ont un taux de réussite de 80 à 90 % dans les essais cliniques de phase I
Alors que la moyenne historique de l'industrie est de 40 à 65 %, selon une nouvelle

Le , par Jade Emy

8PARTAGES

6  0 
Au cours des cinq dernières années, un nombre croissant de médicaments et de vaccins ont été découverts grâce à l'IA. Des chercheurs ont effectué une première analyse des pipelines cliniques des sociétés de biotechnologie natives de l'IA. Dans les essais de phase I, les molécules découvertes grâce à l'IA ont beaucoup plus de succès que les moyennes historiques de l'industrie. Cela suggère que les algorithmes d'IA sont tout à fait capables de générer ou d'identifier des molécules ayant des propriétés similaires à celles des médicaments.

La découverte de médicaments est un processus long et coûteux, qui comporte un degré élevé d'incertitude. Malgré les technologies expérimentales de dernière génération, de nombreux programmes de découverte se heurtent à des difficultés. Même s'ils sont couronnés de succès, il faut souvent de nombreuses années pour les mener à bien. C'est particulièrement vrai pour les nouvelles petites molécules, dont la découverte prend généralement de 4 à 6 ans. D'autres modalités, telles que les produits biologiques et les vaccins, peuvent être un peu plus rapides et plus fructueuses, mais la découverte reste complexe et risquée.

L'IA promet de révolutionner la découverte de médicaments en réalisant in silico un grand nombre des étapes les plus longues, les plus répétitives et les plus coûteuses, et en augmentant considérablement l'échelle d'exploration. Parmi les principaux exemples de techniques d'IA utilisées dans la découverte de médicaments, on peut citer : les graphes de connaissances pour exploiter les OMIC et d'autres données afin de comprendre la biologie des maladies et d'identifier des cibles médicamenteuses et des biomarqueurs ; l'utilisation de l'IA générative pour concevoir de petites molécules ; l'optimisation de la conception d'anticorps et d'autres protéines à l'aide d'algorithmes de prédiction de structure alimentés par l'IA, tels qu'AlphaFold ; la réaffectation de molécules médicamenteuses alimentée par l'IA ; et bien d'autres encore.


Au cours de la dernière décennie, suite à l'introduction de ces techniques, le nombre de molécules de médicaments et de vaccins découvertes par l'IA a considérablement augmenté. En 2022, des chercheurs ont montré que le nombre de petites molécules découvertes par l'IA augmentait de manière exponentielle et commençait à égaler le nombre de petites molécules découvertes de manière classique. Cette tendance s'est poursuivie depuis lors. Une croissance exponentielle similaire peut être observée pour les produits biologiques découverts par l'IA, bien que le nombre de molécules soit encore plus faible. Ils ont observé également des signes indiquant que l'IA commence à accélérer les délais de découverte des médicaments.

L'industrie pharmaceutique a adopté l'utilisation de l'IA dans la R&D. Au début de 2024, chacune des 20 principales sociétés pharmaceutiques avait annoncé des activités dans cet espace. Une part importante de ces activités prend la forme de collaborations entre des sociétés pharmaceutiques et des sociétés de biotechnologie spécialisées dans l'IA (les "AI-native Biotechs"). En conséquence, les accords de partenariat dans le domaine de l'IA ont énormément augmenté en nombre et en taille au cours des cinq dernières années. Malgré les progrès considérables réalisés dans ce domaine, de nombreuses questions restent en suspens. Les plus importantes sont peut-être celles qui concernent la qualité des molécules découvertes par l'IA, en particulier leur sécurité et leur efficacité dans les essais cliniques.

Les chercheurs commentent l'étude :

Pour commencer à répondre à certaines de ces questions, nous avons effectué une première analyse du pipeline de médicaments et de vaccins découverts par l'IA à l'échelle de l'industrie, en nous concentrant spécifiquement sur les taux de réussite clinique. En raison du nombre limité de ces molécules en cours d'essais cliniques et de l'évolution rapide du domaine, il s'agit d'une analyse préliminaire qui devra être confirmée au fil du temps. Cependant, étant donné l'importance du sujet pour l'industrie, nous pensons qu'il est crucial de rapporter ces premières données et de discuter de leurs implications potentielles.

Cette analyse donne un premier aperçu du potentiel des molécules découvertes par l'IA dans le cadre d'essais cliniques, et donne peut-être un aperçu de l'avenir de la R&D alimentée par l'IA.

Les chercheurs ajoutent :

Pour explorer les implications de ces résultats pour l'ensemble de l'industrie, menons une expérience de pensée. Si nous prenons au pied de la lettre les taux de réussite que nous avons observés pour les molécules découvertes par l'IA en phase I et II et que nous supposons qu'ils se maintiendront à l'avenir, et si nous les combinons avec les taux de réussite historiques en phase III, une image frappante apparaît : la probabilité qu'une molécule réussisse dans toutes les phases cliniques de bout en bout passerait de 5-10% à ∼9-18%. Cela représenterait presque un doublement de la productivité globale de la R&D pharmaceutique, ce qui apporterait d'énormes avantages. Cela permettrait aux entreprises soit d'atteindre le même rendement avec moins de ressources et de coûts, soit d'augmenter le nombre total de nouveaux médicaments lancés avec les mêmes ressources.
Au-delà de cette analyse, il y a des raisons de croire que les techniques d'IA pourraient encore améliorer les performances cliniques, en particulier dans les essais de phase II et III. Comprendre les moteurs de la maladie et identifier et valider les cibles des médicaments est un domaine dans lequel de nombreuses entreprises biotechnologiques, sociétés pharmaceutiques et institutions universitaires natives de l'IA investissent activement. Les efforts sont particulièrement axés sur les OMIC et la génération de données phénotypiques, la traduction inverse, les nouveaux modèles dérivés de patients et les applications de grands modèles de langage pour mieux exploiter les données sur les maladies. Ces technologies peuvent aider à combler le fossé entre la conception des molécules et l'efficacité clinique, et à améliorer encore les taux de réussite des essais cliniques au-delà des moyennes historiques.

En fin de compte, la promesse de l'IA dans la découverte de médicaments est de mettre à la disposition des patients des médicaments plus innovants, plus rapidement, plus efficacement et à moindre coût. Les chercheurs ont déjà commencé à constater l'impact de ces techniques sur la vitesse et les coûts des flux de travail précliniques. Les résultats montrent que les avantages commencent également à se manifester dans les essais cliniques.

Les chercheurs concluent :

Malgré les réserves statistiques, nous pensons que ces résultats donnent une image intrigante de l'avenir de la recherche et du développement. Dans les années à venir, au fur et à mesure que les résultats cliniques des molécules découvertes par l'IA seront disponibles, il sera intéressant de voir comment les techniques d'IA influeront sur la productivité globale de la R&D.

Source : "How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons", par Madura KP Jayatunga, Margaret Ayers, Lotte Bruens, Dhruv Jayanth, et Christoph Meier.

Et vous ?

Pensez-vous que cette étude est crédible ou pertinente ?
Quel est votre avis sur le sujet ?

Voir aussi :

AlphaFold 3, un nouveau modèle d'IA développé par Google DeepMind et Isomorphic Labs, prédit la structure et les interactions des molécules de la vie

MathWorks accélère le développement dans le domaine médical avec NVIDIA : les développeurs MATLAB peuvent développer et déployer des applications basées sur l'IA en utilisant la plateforme NVIDIA Holoscan

Demis Hassabis, PDG de Google DeepMind, pense que la première chose que l'IA pourrait faire pour l'humanité serait de guérir des centaines de maladies, en accélérant le processus de découverte de médicaments

Une erreur dans cette actualité ? Signalez-nous-la !

Avatar de GLDavid
Expert confirmé https://www.developpez.com
Le 14/05/2024 à 11:38
Bonjour

Article intéressant.
Mes clients sont des pharmas, big pharmas en général.
Mon point de vue est le suivant : l'AI peut être intéressante en effet pour les small compounds. Dans le design et le drug discovery, on confie à des molecular designers le soin de trouver un pattern de composé pour activer/inhiber une protéine (en général une enzype) cible thérapeutique pour une maladie donnée. Le molecular designer peut prédire ainsi avec des logiciels de modélisation la force de liaison du small compound avec sa cible et les effets sur la structure 3D et fonctionnelle de l'enzyme. Eventuellement, on peut faire aussi du HTS (High Throughput Screening) in silico pour vérifier que les composés sont actifs, puissants ou pas. Il y a donc un gain de temps indéniable pour la R&D.
Pour les essais cliniques, c'est autre chose, on rentre dans la réglementation pure et dure. La phase 1 ne consiste qu'en des tests safety sur des sujets sains. On vérifie l'innocuité, la cinétique et la toxicologie du composé sur un sujet entier pour faire simple. La phase 2 commence à être intéressante, on vérifie sur des sujets malades Vs sujets sains avec administration du composé ou d'un placebo. Et là, vous voulez voir s'il y a un effet sur la maladie. La phase 3, vous montez en effectif. La phase 4 est celle du suivi post-commercialisation.
Du coup, je vois que les small compounds trouvés par IA atteignent la phase 1. Fort bien, mais combien passent en phase 2 ? Par ailleurs, je me pose des questions quand aux aspects réglementaires. Je me doute que le package PCC cher à mes collègues de chimie médicinale doit être blindée avec l'IA mais pour autant, les tests sont-ils tous fait en biologie humide ? Je peux comprendre un mix biologie humide + in silico mais du in silico seul me parait dangereux.
Vous seriez surpris de savoir le nombre de composés qu'on jette finalement en phase 1 ou 2 parce que c'est toxique au pire, inefficace sur sujet entier au mieux.

@++
1  0