L'IA révolutionne la découverte de médicaments

L'IA au cœur de la révolution pharmaceutique

La découverte de médicaments est un processus complexe et coûteux, marqué par des risques élevés. Depuis les années 1950, le coût de développement de nouveaux traitements a presque doublé tous les neuf ans, un phénomène connu sous le nom de loi d'Eroom. Actuellement, mettre un nouveau médicament sur le marché prend entre 10 et 15 ans et peut coûter entre 1 milliard et 2,5 milliards de dollars. Malgré ces investissements colossaux, le taux d'échec dépasse souvent 90 %.

Face à ces défis, l'industrie pharmaceutique mise sur l'intelligence artificielle (IA) pour améliorer les taux de succès et réduire les délais. L'IA permet aux entreprises de mieux identifier, tester et optimiser de nouveaux composés chimiques, réduisant ainsi le risque d'échecs coûteux à des stades avancés du développement.

Paul Belcher, directeur de la stratégie de recherche sur les protéines chez Cytiva, souligne que la phase clinique reste la plus coûteuse dans la découverte de médicaments. L'IA est perçue comme un outil crucial pour réduire les risques et augmenter les chances de succès à ce stade critique. Elle promet non seulement de gagner du temps, mais aussi de permettre à de meilleurs candidats d'atteindre les essais cliniques.

Cependant, l'utilisation de l'IA dans la découverte de médicaments met en lumière la nécessité de données robustes et authentiques, ainsi que leur intégration dans les systèmes de laboratoire.

L'IA transforme les laboratoires

L'une des applications les plus prometteuses de l'IA dans la découverte de médicaments est l'identification de cibles. Ce processus consiste à tester des bibliothèques d'entités moléculaires contre une cible liée à une maladie, telle qu'une protéine, pour identifier des molécules capables de s'y lier. Un succès dans cette étape offre aux chercheurs un point de départ pour des tests et des raffinements ultérieurs, dans le but de développer un médicament viable.

Belcher a observé un passage du dépistage empirique à la conception prédictive. Plutôt que de tester physiquement des bibliothèques, les entreprises pharmaceutiques utilisent désormais l'IA pour concevoir des candidats médicaments à partir de zéro et prédire leurs interactions avec les cibles de la maladie avant de s'engager dans la recherche et le développement (R&D).

Cela signifie que les entreprises ne sont plus limitées par le nombre de tests physiques qu'elles peuvent réaliser pour identifier des points de départ. « L'IA élimine cette contrainte », explique Belcher. « Elle permet également d'éliminer les candidats de faible qualité avant de les tester physiquement, économisant ainsi temps et ressources. »

Cependant, l'IA ne peut pas encore prédire de manière fiable la cinétique ou la développabilité des nouveaux composés, souligne Belcher. Chaque candidat généré par l'IA doit encore être validé en laboratoire.

Les flux de travail de dépistage traditionnels étaient conçus pour identifier des cibles à grande échelle, et non pour profiler un grand nombre de candidats complexes en détail. Cela met une pression accrue sur les équipes de laboratoire, qui doivent tester, caractériser et purifier un volume croissant de composés générés par l'IA.

« Les techniques actuelles utilisées dans l'identification des cibles peuvent tester des centaines de milliers, voire des millions de composés, en utilisant des techniques binaires ou basées sur des seuils produisant des données de faible fidélité — des réponses oui ou non », explique Belcher. « L'IA peut augmenter le nombre de cibles que vous obtenez et potentiellement vous donner de meilleures cibles également. Cela augmente la demande pour des technologies à haut débit et riches en informations pour valider et caractériser ces cibles. »

L'importance cruciale des données de qualité

Alors que l'IA a accéléré la demande pour des systèmes de laboratoire riches en données, elle a également mis en évidence un besoin fondamental de meilleures données, plus complètes.

De nombreux modèles d'IA antérieurs ont été formés sur des ensembles de données disponibles publiquement et atteignent maintenant ce que Belcher appelle un mur de données. Comme les modèles ont accès aux mêmes données, ils parviennent tous à des conclusions similaires, avec des rendements décroissants au fil du temps. De plus, les ensembles de données n'ont pas été construits avec l'IA à l'esprit, ce qui signifie qu'ils manquent de structure, d'étiquetage et de diversité nécessaires pour maintenir les modèles précis et exempts de biais.

Le biais de publication renforce le problème. « La plupart des ensembles de données disponibles publiquement et des publications scientifiques se concentrent exclusivement sur des résultats positifs », déclare Belcher. « Personne ne veut partager ses échecs. Ce biais est presque comme avoir une main attachée dans le dos. Les modèles d'IA peuvent identifier des motifs associés au succès, mais ils manquent de la compréhension complète des échecs qui rendrait les prédictions plus fiables. »

Les données que Belcher estime pouvoir améliorer considérablement les modèles — les expériences échouées, les composés qui ne se lient pas — restent frustrantes à obtenir. « Nous plaisantons souvent en disant qu'il devrait y avoir une revue de données négatives », dit-il. « Elles sont souvent enfouies dans des carnets de laboratoire et ne sont jamais utilisées pour informer ou guider les recherches futures. »

Cette absence de données négatives crée un problème fondamental : sans accès à un large éventail de données, les modèles ne peuvent pas être correctement formés pour éviter les biais. « Dans toutes les applications d'apprentissage automatique, la performance du modèle dépend fortement de la qualité et de l'étendue des données d'entraînement », note Belcher.

La fabrication de données est également devenue beaucoup plus facile avec l'IA, ce qui aggrave les préoccupations concernant l'intégrité des données. Prenons les Western blots, par exemple. Ce sont des éléments d'une technique standard pour identifier des protéines dans des échantillons de sang ou de tissus, et ils sont parmi les cibles les plus courantes pour la manipulation dans la recherche biomédicale. Belcher cite des recherches de la microbiologiste néerlandaise Elisabeth Bik, qui a découvert qu'environ 4 % des articles biomédicaux contenaient des images dupliquées ou manipulées. Cela remonte à 2016, avant que l'IA générative ne rende la fabrication triviale.

« Les données manipulées ou falsifiées ont toujours été un problème en science, mais dans le monde de l'IA, surtout lorsqu'elles sont utilisées pour former des modèles, cela pourrait avoir des conséquences potentiellement désastreuses », déclare Belcher. « Il doit y avoir plus d'outils pour vérifier que les données ne sont pas manipulées. »

Certains fournisseurs commencent à s'attaquer à ce défi. Belcher mentionne des solutions comme le Image Integrity Checker de Cytiva, qui utilise des algorithmes de hachage sécurisés — la même technologie utilisée dans la blockchain — pour détecter si des images scientifiques ont été altérées. « Nous commençons à voir beaucoup d'intérêt de la part des maisons d'édition qui souhaitent adopter cela comme standard, car c'est un moyen rapide de s'assurer que ce qui est publié dans la littérature est authentique », ajoute-t-il.

Vers des laboratoires autonomes

Belcher décrit l'état futur de la découverte de médicaments comme des laboratoires entièrement autonomes qui fonctionnent avec un minimum d'intervention humaine. Fondamental à cette vision est la consistance des données et de l'infrastructure.

Ces laboratoires sombres pilotés par l'IA, ou laboratoires en boucle, fonctionnent 24 heures sur 24. Ils passent par des cycles de prédiction, de test et d'optimisation, puis renvoient les résultats dans les modèles d'IA pour guider le prochain tour d'expériences. Cela peut améliorer les taux de succès des candidats médicaments entrant dans les essais cliniques, dit Belcher. De meilleurs points de départ, combinés à plus de cycles d'optimisation, devraient aboutir à de meilleurs candidats avec moins de risques atteignant la clinique.

Mais l'automatisation d'un laboratoire dépend fortement de l'intégration. Cela signifie des systèmes interopérables, des ensembles de données hautement structurés et complets, et une circulation fluide de l'information. La plupart des laboratoires ne sont pas encore à ce stade. « Aujourd'hui, beaucoup des instruments dans les laboratoires sont autonomes », note Belcher. « Vous pouvez avoir la meilleure technologie au monde, mais si c'est un écosystème fermé — si l'utilisateur ne peut pas extraire les données — cela ne sert à rien. »

Une infrastructure intégrée peut permettre aux laboratoires de générer des données FAIR (faciles à trouver, accessibles, interopérables et réutilisables) à grande échelle. Cela informerait non seulement les rapports de laboratoire individuels, mais pourrait également former les générations suivantes de modèles d'IA, fermant efficacement la boucle entre le laboratoire sec piloté par l'IA et le laboratoire humide physique.

« Notre objectif est d'aider les scientifiques et les chercheurs à accélérer leurs percées et à rendre cet état futur de laboratoires autonomes une réalité », déclare Belcher. « Nous voulons les aider à générer des données fiables, à simplifier les flux de travail dans la découverte, et espérons que ce sur quoi ils travaillent devienne les thérapies révolutionnaires de demain, plus rapidement et avec plus de confiance. »

Les défis financiers et l'avenir de l'IA dans la pharmacie

La découverte de médicaments pilotée par l'IA en est encore à ses débuts. Notamment, aucun médicament découvert principalement grâce à la conception pilotée par l'IA n'a encore reçu l'approbation complète de la FDA — bien que Belcher s'attende à ce que cela change dans les deux à trois prochaines années.

Quel impact l'IA pourrait-elle finalement avoir sur la découverte de médicaments ? « Le saint Graal serait la prédiction complète in silico de l'efficacité et de la toxicité, éliminant le besoin de la grande majorité des travaux de laboratoire humide physique », déclare Belcher. Mais il existe de nombreux obstacles à cela au-delà de la maturité des modèles, y compris des obstacles réglementaires et des défis de coûts.

Une étude de Stanford a révélé que le coût de formation des modèles d'IA de pointe a plus que doublé chaque année depuis 2016, ajoutant une pression financière supplémentaire à un secteur déjà défini par des dépenses de R&D exceptionnellement élevées.

Belcher reconnaît la tension, mais reste optimiste quant à l'avenir. « Je pense que nous atteindrons un point où il y aura un équilibre entre l'IA et le travail de laboratoire, du point de vue des coûts et des risques », dit-il. « Tant que le coût du calcul ne dépassera jamais le coût du développement clinique, je pense que l'IA sera un avantage. »