Les essais cliniques permettent d'évaluer si les traitements potentiels sont sûrs et efficaces pour les personnes atteintes de différentes maladies . Un grand changement est déjà en cours qui vise à accélérer la conduite de ces essais afin d'avoir des thérapies qui fonctionnent mieux plus rapidement.
Il existe déjà 24 médicaments conçus avec l'aide de l'intelligence artificielle qui sont actuellement en phase d'essais cliniques. Il existe différentes entreprises et instituts scientifiques qui mènent ces développements, pour différents troubles, du cancer au COVID.
La course de base pour développer un nouveau médicament à partir de zéro commence par le choix d'une cible thérapeutique dans le corps avec laquelle l'intervention potentielle interagira, telle qu'une protéine. Ensuite, une molécule est conçue pour faire quelque chose à cette cible, comme changer son fonctionnement ou l'éteindre.
Ensuite, la molécule est fabriquée en laboratoire et on vérifie qu'elle fait bien ce pour quoi elle a été conçue (et rien de plus) ; enfin, il est testé chez l'homme pour voir s'il est sûr et efficace.
Pendant des décennies, les chimistes ont criblé des candidats-médicaments en plaçant des échantillons de la cible souhaitée dans une multitude de petits compartiments de laboratoire, en ajoutant différentes molécules et en surveillant toute réaction.
Ils ont ensuite répété ce processus de nombreuses fois, modifiant la structure des molécules du médicament candidat (échange d'un atome contre un autre) et ainsi de suite. L'automatisation a accéléré les choses, mais le processus de base d'essais et d'erreurs est inévitable.
Mais les éprouvettes ne sont pas des corps. De nombreuses molécules médicamenteuses qui semblent fonctionner en laboratoire finissent par échouer lorsqu'elles sont testées sur des personnes. En moyenne, 20 médicaments doivent être conçus et testés pour qu'un seul fonctionne.
Les entreprises utilisant l'intelligence artificielle se concentrent sur trois points clés du processus de développement de médicaments. Ils cherchent à choisir la bonne cible thérapeutique dans le corps, à concevoir la bonne molécule pour interagir avec la cible et à déterminer quels patients cette molécule est la plus susceptible d'aider.
Les techniques informatiques telles que la modélisation moléculaire transforment le processus de développement de médicaments depuis des décennies. Mais même les approches les plus puissantes ont impliqué la construction de modèles à la main, un processus lent, difficile et susceptible de produire des simulations divergentes des conditions du monde réel.
Grâce à l'apprentissage automatique par intelligence artificielle, de grandes quantités de données, y compris des données pharmacologiques et moléculaires, peuvent désormais être exploitées pour créer automatiquement des modèles complexes.
De cette manière, il est beaucoup plus facile -et plus rapide- de prédire le comportement des médicaments dans l'organisme, ce qui permet de réaliser in silico bon nombre des premières expériences. Les modèles d'apprentissage automatique peuvent également passer au crible d'énormes réservoirs inexploités de molécules médicamenteuses potentielles d'une manière qui n'était pas possible auparavant.
Le résultat est que le travail difficile mais essentiel dans les laboratoires (et plus tard dans les essais cliniques) ne doit être effectué qu'avec les molécules ayant les meilleures chances de succès.
Depuis 2021, deux médicaments développés par Exscientia (ou co-développés avec d'autres sociétés pharmaceutiques) ont lancé le processus. Récemment, cette société en a présenté deux autres.
Ce sont deux nouveaux candidats en oncologie. Ce sont des composés qui ont été conçus avec précision pour améliorer le potentiel de bénéfice pour le patient et résoudre des problèmes de conception complexes qui peuvent limiter la probabilité de succès d'autres traitements en développement.
L'utilisation de l'intelligence artificielle permet d'améliorer la recherche clinique. Les chercheurs cliniques ont traditionnellement essayé différents médicaments pour voir ce qui fonctionnait chez les patients volontaires qui ont consenti à participer aux essais.
Mais désormais, grâce à l'intelligence artificielle, il est possible de tester différents traitements en même temps et d'évaluer lequel serait le plus approprié selon le profil du patient avant de l'inclure dans l'essai.
En dialogue avec le MIT Technology Review , Andrew Hopkins, PDG d'Exscientia, cette nouvelle approche représente un grand changement dans le traitement du cancer : "La technologie dont nous disposons pour tester les médicaments en clinique se traduit vraiment par de vrais patients".
Outre l'appariement des patients avec des médicaments existants, l'apprentissage automatique - ou "apprentissage automatique" - est utilisé pour en concevoir de nouveaux. Cette possibilité pourrait conduire à plus d'options lors de la recherche d'un médicament compatible. "Si nous avions utilisé une approche traditionnelle, nous n'aurions pas évolué aussi rapidement", a déclaré Hopkins.
De plus, des centaines de startups explorent l'utilisation de l'apprentissage automatique dans l'industrie pharmaceutique. Aujourd'hui, il faut en moyenne plus de 10 ans et des milliards de dollars pour développer un nouveau médicament. L'idée est d'utiliser l'intelligence artificielle pour rendre la découverte de médicaments plus rapide et moins chère.
En prédisant comment les médicaments potentiels pourraient se comporter dans le corps et en éliminant les composés sans issue avant qu'ils ne quittent l'ordinateur, les modèles d'apprentissage automatique peuvent réduire le besoin de travaux de laboratoire minutieux.
"Il y a encore trop de maladies que nous ne pouvons pas traiter ou que nous ne pouvons traiter qu'avec des listes interminables d'effets secondaires", a rappelé Adityo Prakash, PDG de la société pharmaceutique californienne Verseon.
La société Absci tente également de créer de nouveaux médicaments à base de protéines en utilisant l'apprentissage automatique, mais via une approche différente. Il prend des anticorps existants - des protéines que le système immunitaire utilise pour tuer les bactéries, les virus et d'autres agresseurs indésirables - et utilise des modèles formés à partir de données d'expériences en laboratoire.
L'idée est de reconcevoir des anticorps existants afin qu'ils adhèrent mieux aux cibles thérapeutiques. Après avoir apporté des ajustements à la simulation, les chercheurs synthétisent et testent les conceptions qui fonctionnent le mieux.
En janvier, Absci a annoncé avoir utilisé sa méthode pour reconcevoir plusieurs anticorps existants, dont un dirigé contre la protéine de pointe du coronavirus SARS-CoV-2, qui cause la maladie COVID-19, et un autre qui bloque un type de protéine qui aide les cellules cancéreuses à se développer.
Continuer à lire