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. Cependant, c’est un investissement important pour la santé des gens. L’intelligence artificielle pourrait potentiellement rendre la découverte de nouveaux médicaments plus facile et plus rapide si les travaux récents de la startup Insilico Medicine continuent à progresser. Selon SingularityHub, la startup 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 massivement 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, en seulement 46 jours. Insilco Medicine a combiné deux techniques d’apprentissage profond 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 décisions indésirables ou récompensé pour avoir pris des décisions souhaitables. En utilisant une combinaison de renforcement négatif et positif, le modèle est guidé vers la prise de décisions souhaitables et tend 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 opposés l’un à l’autre. Les deux réseaux sont formés sur des exemples d’objets, souvent des images. Le rôle de l’un des réseaux 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 leur performance 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 d’apprentissage par renforcement et de réseaux antagonistes génératifs, les chercheurs ont pu faire produire de nouvelles molécules de médicaments extrêmement similaires à celles déjà existantes.

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 les 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 souhaités dans un médicament.

Il est important de noter que le médicament contre la fibrose visé dans l’expérience a déjà été largement étudié, avec de nombreux médicaments efficaces existant déjà. Les chercheurs pouvaient se référer à ces médicaments, ce qui a donné à l’équipe de recherche un avantage, car ils disposaient d’une grande quantité 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 concerne que le processus de découverte initial, et que les molécules générées par leur modèle devront encore subir de nombreuses modifications et optimisations avant de pouvoir 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 pouvait être conçu avec l’aide des 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 les méthodes de découverte de médicaments traditionnelles.

Malgré les réserves, la recherche d’Insilico Medicine représente 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 réduire le temps nécessaire pour développer un nouveau médicament. Cela pourrait s’avérer particulièrement utile à une époque où les bactéries résistantes aux antibiotiques se multiplient et où de nombreux médicaments précédemment efficaces perdent leur puissance.