Comment l’IA et le Big Data changent la découverte de médicaments

L’intelligence artificielle et les logiciels capables de gérer de grandes quantités de données révolutionnent déjà la découverte de médicaments. Depuis le début des années 2000, les chercheurs explorent 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 approfondies 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 avec des avantages médicaux.

Selon PhRMA, un organisme de défense qui encourage la découverte de nouveaux médicaments importants par le biais de politiques publiques, la première étape du développement d’un médicament prend environ trois à six ans. Une partie du retard dans le processus est due au recours à des objectifs de recherche prédéterminés, qui peuvent être très coûteux pour les budgets de recherche et développement si les objectifs prédéterminés s’avèrent insuffisants pour un développement ultérieur.

Le Boston Consulting Group déclare que « la pleine valeur de l’IA nécessite une transformation du processus de découverte ». En utilisant le pouvoir prédictif accru de l’IA, les entreprises de 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. Il 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 :

• Effectuer une dynamique moléculaire pour détecter les hits de petites molécules
• Analyser la structure moléculaire et les données expérimentales.
• Prédire la structure des petites molécules et les relations d’activité (SAR)
• Analyser les cibles protéiques potentielles
• Présélectionner les médicaments principaux à l’aide de la prédiction par IA des propriétés pharmacodynamiques

Par exemple, la plate-forme de conception d’IA « Centaur Chemist » d’Exscientia a été utilisée pour comparer les propriétés de millions de petites molécules afin de localiser un médicament candidat potentiel qui pourrait aider les cellules T à combattre le cancer dans les tumeurs solides. La plateforme d’intelligence artificielle «Centaur Chemist» a pu aider les chercheurs à localiser un candidat pour des 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, soutient les chercheurs travaillant tôt dans le processus de découverte, de l’identification et de l’optimisation des pistes à la hiérarchisation 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 lorsque l’on travaille avec des mégadonnées pour soutenir la découverte de médicaments n’est pas la quantité de données, c’est la qualité des données. Par exemple, de nombreuses sociétés pharmaceutiques disposent de grandes quantités de données d’imagerie médicale, mais ne sont pas « prêtes pour les heures de grande écoute » en termes de travail avec l’IA et l’apprentissage automatique. Les images et autres données peuvent être bruyantes, isolées et inaccessibles.

Les ensembles de données sont également énormes, avec des pétaoctets de données déjà accumulés à partir d’essais cliniques et de processus de développement antérieurs et actuels. L’intégration des données des processus passés aux côtés des processus actuels peut être très difficile. Et l’entreposage de données est un autre obstacle à surmonter pour passer de l’analyse des données héritées et de la gestion de projet à la découverte de médicaments basée sur l’IA.

Il n’y a pas de solution « taille unique » disponible dans le processus de découverte et de développement de médicaments. Il est important que les entreprises impliquées dans la découverte précoce de médicaments acquièrent d’abord le contrôle de leurs données internes, ce qui aidera à surmonter les défis liés à l’utilisation de mégadonnées dans la découverte de médicaments.

Les logiciels d’IA comme la technologie éprouvée de Cerella peuvent aider à identifier les opportunités cachées et à mettre en évidence des 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 basés sur l’IA ont un potentiel important pour révolutionner de nombreux processus de découverte pharmaceutique différents. Cela peut même aider à la transformation vers un processus de découverte et de développement de médicaments « AI-first », réduisant le besoin d’expériences physiques et accélérant le processus de découverte. À l’avenir, les entreprises qui adopteront une stratégie basée sur l’IA pour alimenter leur processus de développement obtiendront probablement de meilleurs résultats, selon des analystes du secteur, notamment Boston Consulting Group et McKinsey & Company.

Bien que l’analyse des mégadonnées et les techniques d’IA soient très prometteuses pour aider à découvrir et à développer de nouveaux médicaments, elles nécessitent toujours des connaissances, de l’expertise et de la détermination pour fournir les réponses cruciales nécessaires pour faire avancer le processus de découverte de médicaments.