L’univers pharmaceutique se trouve à un tournant crucial, convergeant vers l’intelligence artificielle (IA) dans le processus de développement des médicaments. Nous commençons à apercevoir les premiers résultats des recherches dans ce domaine, qui promette de dépasser le traditionnel essai-erreur des laboratoires. Les moteurs d’intelligence artificielle dédiés à la précision biologique accélèrent l’identification des candidats médicaments, notamment en oncologie.
Cette année, la reconnaissance de l’IA dans le secteur pharmaceutique a franchi une étape significative avec l’attribution du prix Nobel de chimie à des scientifiques qui ont développé un modèle IA capable de prédire la structure complexe des protéines à partir de leurs séquences d’acides aminés.1 En effet, ce modèle a désormais été utilisé pour prédire avec succès la structure de presque toutes les 200 millions de protéines connues.2
Bien que nous ne soyons qu’aux prémices de l’application de l’IA à la conception médicamenteuse, cette technologie commence déjà à transformer la découverte de biologiques. Des chercheurs du Boston Consulting Group (BCG) soulignent que la découverte de nouveaux biologiques apparaît plus difficile que celle d’autres types de médicaments en raison de la taille des molécules. Les médicaments à petites molécules ont généralement des tailles variant de 200 à 700 Da, ce qui permet une conception directe grâce à l’IA. En revanche, les biologiques ont une taille comprise entre 5 000 et 200 000 Da, limitant ainsi l’utilisation directe de l’IA pour la conception atome par atome.3
Malgré ces défis, entre 50 et 60 biologiques dotés d’IA sont déjà à divers stades de découvertes et de développement, un chiffre qui devrait croître rapidement avec les avancées technologiques en IA, en puissance de calcul et en disponibilité de données.3 L’oncologie constitue un domaine d’intérêt particulier pour la découverte de biologiques facilitée par l’IA, car les traitements actuels peuvent endommager les cellules saines en même temps que les cellules malignes. Le BCG a identifié au moins huit biologiques dérivés de l’IA en essais cliniques dans le domaine de l’oncologie.
En raison des limitations en matière de puissance de calcul, l’IA s’applique différemment aux biologiques dans cinq domaines spécifiques (selon BCG) : “découverte et validation de cibles, prédiction de structures cibles et définition d’épitope, génération et criblage de diversité, humanisation et ingénierie des biologiques, [et] prédiction et optimisation des propriétés.”
Par exemple, l’IA aide à concevoir de meilleures molécules, y compris des anticorps et des thérapies basées sur des protéines. Bien que la conception atome par atome ne soit pas réalisable pour les biologiques, cette technologie permet d’identifier des médicaments efficaces en quelques semaines plutôt qu’en plusieurs mois. Elle teste également la faisabilité de divers candidats médicaments.
De plus, l’IA aide les chercheurs à dépister les femmes pour des signes précoces de cancer de l’ovaire en détectant des changements génétiques et des biomarqueurs protéiques dans un test sanguin.4 Une étude réalisée au Johns Hopkins Kimmel Cancer Center a collaboré avec plusieurs autres institutions en utilisant des analyses guidées par IA de fragments d’ADN et de deux biomarqueurs protéiques.
Il est important de noter que pour que les modèles d’IA soient efficaces, ils doivent être d’abord formés sur une vaste quantité de données. Par exemple, le modèle AlphaFold2, développé par les lauréats du prix Nobel de chimie, a été entraîné avec toutes les séquences d’acides aminés connues, associées à leur structure protéique déterminée. Toutefois, cela ne représente qu’un premier pas.
La prochaine étape consiste à appliquer ces données protéiques au développement de médicaments, et la multi-omique constitue une pièce cruciale du puzzle. Les protéines sont, après tout, les éléments constitutifs des anticorps qui nous protègent des agents pathogènes.
La multi-omique est une technique d’analyse biologique qui exploite des données provenant de multiples ensembles de données, comme la génomique, l’épigénomique, la protéomique, le microbiome, le métabolome, la transcriptomique, et plus encore. Aujourd’hui, seules les systèmes les plus sophistiqués peuvent synthétiser efficacement et à grande échelle des données de séquence, des modèles biologiques structurels 3D, des bases de connaissances formelles et des sources textuelles publiques (comme les dossiers de patients).
Cependant, nous nous attendons à une croissance significative dans ce domaine dans les années à venir, à mesure qu’un nombre croissant de modèles d’IA commenceront à soutenir une approche multi-omique.
La multi-omique répond à un problème majeur auquel l’industrie est confrontée : la quantité colossale de données réparties sur plusieurs sources. Grâce à une approche multi-omique, l’IA intègre et harmonise aisément d’immenses données issues de sources diverses pour créer de nouvelles sorties réfléchies qui englobent différents aspects des systèmes biologiques. La multi-omique permet également le développement de nouveaux composés, tels que des anticorps bispécifiques ciblant des enjeux oncologiques uniques.
La conception moléculaire assistée par ordinateur permet d’évaluer de grandes quantités de produits chimiques simultanément pour déterminer la liaison entre les candidats médicaments et les cibles tout en prédisant leur toxicité et leurs profils pharmacocinétiques plus tôt dans leur développement.5
La combinaison de l’analyse multi-omique avec des modèles computationnels pour développer des traitements contre le cancer représente actuellement un nouveau paradigme pharmacologique. Les approches computationnelles collaborent avec les données omiques pour permettre l’identification de nouvelles cibles thérapeutiques et des approches individualisées en oncologie.
Des cancers tels que le carcinome pulmonaire non à petites cellules, ceux du sein, l’hôpital de la tête et du cou, le côlon et le pancréas ont montré des niveaux élevés du récepteur de kinase B associé aux antigènes tumoraux tropomyosine (TrkB), liés à de faibles taux de survie et de mauvais résultats pour les patients.
Le système LENSai d’ImmunoPrecise Antibodies (IPA) a généré plusieurs candidats anticorps uniques ciblant une protéine avec une structure précédemment inconnue dans le microenvironnement tumoral.6 Le modèle d’IA a également prédit et conçu de nouvelles séquences avec des motifs et activités de liaison inédites, menant au développement d’anticorps bispécifiques uniques et propriétaires reliant les cellules exprimant l’antigène tumoral TrkB avec des cellules T CD3-positives, qui sont des cellules immunitaires répondant en identifiant et éliminant les cellules cancéreuses.
Cette recherche a permis à IPA de travailler sur un potentiel thérapeutique visant à rapprocher les cellules tumorales exprimant TrkB avec des cellules T activées, ce qui pourrait représenter un traitement novateur pour des cancers difficiles à traiter.
Par ailleurs, BostonGene a développé une plateforme multi-omique propulsée par IA qui optimise le développement de médicaments et les conceptions d’essais cliniques en identifiant des signatures multiparamétriques et en permettant un appariement précis des patients avec les thérapies les plus efficaces.7 Cette plateforme IA a ainsi accéléré le processus de recherche et développement, amenant des soins personnalisés contre le cancer à un nombre croissant de patients dans le monde.
BostonGene a également joué un rôle majeur dans l’essai clinique des conjugués anticorps-médicaments dirigés par TROP2 avec LegoChem Biosciences. La multi-omique permet de mieux profiler les patients et d’améliorer la sélection des patients pour maximiser les résultats thérapeutiques.
Les deux biomarqueurs, l’antigène cancéreux 125 et la protéine 4 de l’épididyme humain, étaient précédemment liés à un cancer de l’ovaire, mais ne pouvaient pas le détecter de manière fiable à eux seuls. L’étude a révélé qu’en appliquant l’IA au problème et en combinant les biomarqueurs avec une détection guidée par IA de motifs associés au cancer dans plusieurs fragments d’ADN, on améliore la précision des dépistages tout en permettant de différencier les tumeurs cancéreuses des croissances bénignes.
Bien que les avancées en IA transforment de manière radicale le monde de la découverte et du développement pharmaceutiques, elles ne remplaceront jamais le besoin de travaux en laboratoire, qui sont nuancés et essentiels pour aider les entreprises biopharmaceutiques à développer des outils efficaces et fiables pour améliorer les découvertes médicamenteuses assistées par IA.
Il convient de rappeler que la pensée critique et la créativité humaine ne peuvent jamais être entièrement répliquées par l’IA en raison des complexités du monde naturel. En réalité, la combinaison de l’IA avec le travail en laboratoire crée un cycle infini de retours d’informations entre le laboratoire et les données, suivi des essais.8
Un problème fondamental qui continuera d’exister pour l’IA est le manque relatif de données préexistantes sur la biologie et le monde naturel. Les scientifiques réalisent constamment de nouvelles découvertes nécessitant une pensée critique et une créativité que les IA ne peuvent pas fournir, et les chercheurs s’efforcent continuellement de compléter le puzzle. Cela génère de nouvelles données pour les modèles d’IA, mais ces découvertes et les données qui en découlent doivent exister au préalable pour former une IA.
Article original rédigé par : Dr. Jennifer Bath – immunologiste et biologiste cellulaire et moléculaire, président et PDG de ImmunoPrecise Therapeutics.
Points à retenir
- Le développement de l’IA dans le domaine pharmaceutique ouvre de nouvelles perspectives, en particulier pour la découverte de biologiques.
- La multi-omique, qui combine diverses sources de données biologiques, est essentielle pour l’intelligence artificielle dans le développement de médicaments.
- Bien que l’IA accélère le processus de recherche, le travail en laboratoire reste fondamental pour valider et affiner les découvertes.
- Des avancées dans la technologie d’IA et la puissance de calcul pourraient bientôt transformer la conception de médicaments et les traitements oncologiques.
Il sera intéressant d’observer comment ces innovations technologiques continueront à évoluer et à influencer le développement de médicaments et la recherche en santé. Les implications éthiques et pratiques de l’intégration de l’IA dans ce secteur méritent également d’être discutées, afin de garantir que l’harmonie entre l’intelligence humaine et artificielle prévale pour le bénéfice des patients et de la société dans son ensemble.
Faudel, cet article est fascinant ! L’IA ouvre vraiment de nouvelles portes pour le développement des médicaments. Hâte de voir ce que l’avenir nous réserve !
L’IA et la multi-omique redéfinissent notre approche de la découverte de médicaments. C’est fascinant de voir comment la technologie transforme l’oncologie et améliore la vie des patients.
L’intelligence artificielle et la multi-omique ouvrent des portes incroyables pour le développement de nouveaux traitements. C’est encourageant de voir des avancées qui pourraient vraiment améliorer la vie des patients.