L’IA utilisée pour créer une molécule de médicament qui pourrait lutter contre la fibrose

La création de nouveaux médicaments est un processus complexe qui peut prendre des années de recherche et des milliards de dollars. Pourtant, c’est un investissement important à faire pour la santé des gens. L’intelligence artificielle pourrait potentiellement rendre la découverte de nouveaux médicaments plus facile et substantiellement plus rapide si les travaux récents de la startup Insilico Medicine continuent de progresser. Comme le rapporte SingularityHub, la startup d’IA a récemment utilisé l’IA pour concevoir une molécule qui pourrait combattre la fibrose.

Étant donné la complexité et la lenteur du processus de découverte de nouvelles molécules pour un médicament, les scientifiques et les ingénieurs cherchent constamment des moyens de l’accélérer. L’idée d’utiliser des ordinateurs pour aider à découvrir de nouveaux médicaments n’est pas nouvelle, car ce concept existe depuis des décennies. Cependant, les progrès dans ce domaine ont été lents, les ingénieurs ayant du mal à trouver les algorithmes appropriés pour la création de médicaments.

L’apprentissage profond a commencé à rendre la découverte de médicaments basée sur l’IA plus viable, les entreprises pharmaceutiques investissant lourdement dans les startups d’IA au cours des dernières années. Une entreprise a réussi à utiliser l’IA pour concevoir une molécule qui pourrait combattre la fibrose, mettant seulement 46 jours pour créer une molécule ressemblant à des médicaments thérapeutiques. Insilco Medicine a combiné deux techniques d’apprentissage profond différentes pour obtenir ce résultat : l’apprentissage par renforcement et les réseaux antagonistes génératifs (GANs).

L’apprentissage par renforcement est une méthode d’apprentissage automatique qui encourage le modèle d’apprentissage automatique à prendre certaines décisions en fournissant au réseau des commentaires qui évoquent certaines réponses. Le modèle peut être puni pour avoir pris des choix indésirables ou récompensé pour avoir pris des choix désirables. En utilisant une combinaison de renforcement négatif et positif, le modèle est guidé vers la prise de décisions souhaitables, et il tendra à prendre des décisions qui minimisent les punitions et maximisent les récompenses.

Pendant ce temps, les réseaux antagonistes génératifs sont “antagonistes” car ils se composent de deux réseaux neuronaux différents qui s’opposent l’un à l’autre. Les deux réseaux sont donnés des exemples d’objets pour les entraîner, souvent des images. Le rôle du premier réseau est de créer un objet contrefait, quelque chose de suffisamment similaire à l’objet réel pour qu’il puisse être confondu avec l’article authentique. Le rôle du deuxième réseau est de détecter les objets contrefaits. Les deux réseaux tentent de surpasser l’autre réseau, et à mesure qu’ils améliorent tous deux leurs performances pour surpasser l’autre réseau, cette course virtuelle aux armements conduit le modèle contrefait à générer des objets qui sont presque indiscernables de la chose réelle.

En combinant les algorithmes GAN et d’apprentissage par renforcement, les chercheurs ont pu faire produire à leurs modèles de nouvelles molécules de médicaments extrêmement similaires à des médicaments thérapeutiques existants.

Les résultats des expériences d’Insilico Medicine sur la découverte de médicaments basée sur l’IA ont été récemment publiés dans la revue Nature Biotechnology. Dans l’article, les chercheurs discutent de la façon dont les modèles d’apprentissage profond ont été formés. Les chercheurs ont pris des représentations de molécules déjà utilisées dans des médicaments pour traiter les protéines impliquées dans la fibrose pulmonaire idiopathique ou IPF. Ces molécules ont été utilisées comme base pour la formation et les modèles combinés ont pu générer environ 30 000 molécules de médicaments possibles.

Les chercheurs ont ensuite trié les 30 000 molécules candidates et sélectionné les six molécules les plus prometteuses pour les tests de laboratoire. Ces six finalistes ont été synthétisés en laboratoire et utilisés dans une série de tests qui ont suivi leur capacité à cibler la protéine IPF. Une molécule en particulier semblait prometteuse, car elle a donné les résultats escomptés dans un médicament médical.

Il est important de noter que le médicament anti-fibrose ciblé dans l’expérience a déjà été largement étudié, avec de multiples médicaments efficaces existant déjà pour cela. Les chercheurs pouvaient se référer à ces médicaments, et cela a donné à l’équipe de recherche un avantage, car ils avaient une quantité considérable de données pour former leurs modèles. Cela ne s’applique pas à de nombreuses autres maladies, et en conséquence, il y a un plus grand écart à combler pour ces traitements.

Un autre fait important est que le modèle de développement de médicaments actuel de l’entreprise ne traite que du processus de découverte initial, et que les molécules générées par leur modèle devront encore subir de nombreuses modifications et optimisations avant que les molécules puissent potentiellement être utilisées pour des essais cliniques.

Selon Wired, le PDG d’Insilico Medicine, Alex Zharvornokov, reconnaît que leur médicament basé sur l’IA n’est pas prêt pour une utilisation sur le terrain, l’étude actuelle ne étant qu’une preuve de concept. L’objectif de cette expérience était de voir à quelle vitesse un médicament pourrait être conçu avec l’aide de systèmes d’IA. Cependant, Zhavornokov note que les chercheurs ont pu concevoir une molécule potentiellement utile beaucoup plus rapidement qu’ils ne l’auraient pu en utilisant des méthodes de découverte de médicaments régulières.

Malgré les réserves, les recherches d’Insilico Medicine représentent encore une avancée notable dans l’utilisation de l’IA pour créer de nouveaux médicaments. L’affinement des techniques utilisées dans l’étude pourrait substantiellement raccourcir le temps nécessaire pour développer un nouveau médicament. Cela pourrait se révéler particulièrement utile à une époque où les bactéries résistantes aux antibiotiques prolifèrent et où de nombreux médicaments précédemment efficaces perdent leur puissance.