L’intelligence artificielle et les logiciels capables de gérer de grandes quantités de données révolutionnent déjà la découverte de médicaments.
Dès le début des années 2000, des chercheurs ont analysé le potentiel de l’IA pour révolutionner les processus de découverte de médicaments, notamment la conception rationnelle de médicaments, l’identification de molécules candidates pour des recherches plus poussées et les moyens d’améliorer les méthodes QSAR.
Avantages spécifiques de l’IA et du Big Data dans la découverte de médicaments
Capturer et travailler avec de grandes quantités de données est l’un des véritables avantages de l’IA dans le processus de découverte de médicaments, ainsi que dans d’autres aspects de la recherche et du développement pharmaceutiques. Selon Matthew Harrison, analyste en biotechnologie chez Morgan Stanley Research, « une réduction de 20 à 40 % des coûts de développement préclinique » pourrait générer suffisamment d’économies pour développer quatre à huit nouvelles molécules présentant des avantages médicaux.
Selon PhRMA, un organisme de défense qui encourage la découverte de nouveaux médicaments importants par le biais des politiques publiques, la première étape du développement d’un médicament prend environ trois à six ans. Une partie du retard dans le processus résulte du fait que l’on s’appuie sur des cibles prédéterminées pour l’investigation, ce qui peut s’avérer très coûteux pour les budgets de recherche et de développement si les cibles prédéterminées s’avèrent impropres à un développement ultérieur.
Le Boston Consulting Group affirme que « la réalisation de la pleine valeur de l’IA nécessite une transformation du processus de découverte » En utilisant le pouvoir prédictif supérieur de l’IA, les entreprises engagées dans la découverte de médicaments peuvent rendre leur processus de découverte plus rapide et plus efficace.
L’IA présente des avantages pour la découverte de médicaments en localisant les bonnes cibles biologiques. Elle joue également un rôle important dans l’identification et la conception de petites molécules qui se qualifient comme de bons candidats précliniques pour des recherches ultérieures. L’IA peut aider à :
- Effectuer une dynamique moléculaire pour rechercher des petites molécules
- Analyser la structure moléculaire et les données expérimentales
- Prédire les relations entre la structure et l’activité des petites molécules (SAR)
- Analyser les cibles protéiques potentielles
- Présélectionner des médicaments potentiels en utilisant la prédiction par l’IA des propriétés pharmacodynamiques
À titre d’exemple, la plateforme de conception IA ‘Centaur Chemist’ d’Exscientia a été utilisée pour comparer les propriétés de millions de petites molécules afin de localiser un candidat médicament potentiel qui pourrait aider les cellules T à combattre le cancer dans les tumeurs solides. La plateforme d’IA « Centaur Chemist » a pu aider les chercheurs à trouver un candidat pour les essais cliniques en huit mois, au lieu de quatre à cinq ans avec les méthodes de découverte traditionnelles.
De même, la plateforme Cerella AI d’Optibrium, une société de logiciels de découverte de médicaments, aide les chercheurs travaillant dans les premières étapes du processus de découverte – depuis l’identification et l’optimisation des pistes jusqu’à la priorisation des composés à synthétiser pour des tests précliniques supplémentaires.
Défis et limites du Big Data dans la découverte de médicaments
L’un des plus gros problèmes liés à l’utilisation du big data pour soutenir la découverte de médicaments n’est pas la quantité de données, mais la qualité des données. Par exemple, de nombreuses entreprises pharmaceutiques disposent d’énormes quantités de données d’imagerie médicale, mais elles ne sont pas prêtes à être exploitées par l’IA et l’apprentissage automatique. Les données d’imagerie et autres peuvent être bruyantes, cloisonnées et inaccessibles.
Les ensembles de données sont également énormes, avec des pétaoctets de données déjà accumulés à partir des essais cliniques et des processus de développement antérieurs et actuels. L’intégration des données des processus passés à celles des processus actuels peut être très difficile. Et le stockage des données est un autre obstacle à surmonter pour aller au-delà de l’analyse des données et de la gestion de projet traditionnelles et passer à la découverte de médicaments basée sur l’IA.
Il n’existe pas de solution « taille unique » dans le processus de découverte et de développement de médicaments. Il est important pour les entreprises engagées dans la découverte précoce de médicaments de commencer par contrôler leurs données internes, ce qui les aidera à surmonter les défis liés à l’utilisation du big data dans la découverte de médicaments.
Un logiciel d’IA comme la technologie éprouvée de Cerella peut aider à identifier les opportunités cachées et à mettre en évidence les composés de haute qualité. Il aide également à gérer les données de manière sécurisée et efficace dans le cloud.
Les logiciels de développement de médicaments pilotés par l’intelligence artificielle ont un potentiel important pour révolutionner de nombreux processus de découverte pharmaceutique différents. Il peut même aider à la transformation vers un processus de découverte et de développement de médicaments « AI-first », en réduisant le besoin d’expériences physiques et en accélérant le processus de découverte. À l’avenir, les entreprises qui adopteront une stratégie fondée sur l’IA pour piloter leur processus de développement obtiendront probablement de meilleurs résultats, selon des analystes du secteur comme le Boston Consulting Group et McKinsey & Company.
Bien que l’analyse des big data et les techniques d’IA soient très prometteuses pour aider à la découverte et au développement de nouveaux médicaments, elles nécessitent encore de la vision, de l’expérience et de la détermination pour fournir les réponses cruciales qui sont nécessaires pour avancer dans le processus de découverte de médicaments.