Décoder le langage des molécules : comment l'IA générative accélère la découverte de médicaments

As IA générative évolue, il va du déchiffrement du langage humain à la maîtrise des langages complexes de la biologie et de la chimie. Considérez l'ADN comme un scénario détaillé, une séquence de 3 milliards de lettres qui guide les fonctions et la croissance de notre corps. De même, les protéines, composants essentiels de la vie, ont leur langage, comprenant un alphabet de 20 acides aminés. En chimie, les molécules ont aussi un dialecte unique, comme construire des mots, des phrases ou des paragraphes en utilisant des règles de grammaire. La grammaire moléculaire dicte la manière dont les atomes et les sous-structures se combinent pour former des molécules ou des polymères. Tout comme la grammaire du langage définit la structure des phrases, la grammaire moléculaire décrit la structure des molécules.

En tant qu'IA générative, comme grands modèles de langage (LLM), démontrent sa capacité à décoder le langage des molécules, de nouvelles pistes pour une découverte efficace de médicaments émergent. Plusieurs sociétés pharmaceutiques utilisent de plus en plus cette technologie pour stimuler l’innovation dans le développement de médicaments. Le McKinsey Global Institute (MGI) estime que l’IA générative pourrait créer $ 60 milliards à 110 milliards chaque année en valeur économique pour l’industrie pharmaceutique. Ce potentiel est principalement dû à sa capacité à améliorer la productivité en accélérant l’identification de nouveaux composés médicamenteux potentiels et en accélérant leurs processus de développement et d’approbation. Cet article explore la manière dont l’IA générative change l’industrie pharmaceutique en agissant comme catalyseur de progrès rapides dans la découverte de médicaments. Cependant, pour apprécier l’impact de l’IA générative, il est essentiel de comprendre le processus traditionnel de découverte de médicaments ainsi que ses limites et défis inhérents.

Les défis de la découverte de médicaments traditionnels

Les processus traditionnel de découverte de médicaments est une entreprise en plusieurs étapes, qui prend souvent beaucoup de temps et de ressources. Cela commence par l'identification des cibles, où les scientifiques identifient les cibles biologiques impliquées dans une maladie, telles que des protéines ou des gènes. Cette étape conduit à la validation de la cible, qui confirme que la manipulation de la cible aura des effets thérapeutiques. Ensuite, les chercheurs s’engagent dans l’identification des principaux composés pour trouver des médicaments candidats potentiels susceptibles d’interagir avec la cible. Une fois identifiés, ces composés principaux subissent une optimisation, affinant leurs propriétés chimiques pour améliorer leur efficacité et minimiser les effets secondaires. Les tests précliniques évaluent ensuite la sécurité et l'efficacité de ces composés in vitro (dans des tubes à essai) et in vivo (dans des modèles animaux). Les candidats prometteurs sont évalués au cours de trois phases d’essais cliniques pour évaluer la sécurité et l’efficacité chez l’homme. Enfin, les composés efficaces doivent obtenir l’approbation réglementaire avant d’être commercialisés et prescrits.

Malgré sa rigueur, le processus traditionnel de découverte de médicaments présente plusieurs limites et défis. Il est notoire que cela prend du temps et est coûteux, prenant souvent plus d’une décennie et coûtant des milliards de dollars, avec des taux d’échec élevés, en particulier dans les phases d’essais cliniques. La complexité des systèmes biologiques complique encore davantage le processus, rendant difficile la prévision du comportement d’un médicament chez l’homme. De plus, le dépistage intensif ne peut explorer qu’une fraction limitée des composés chimiques possibles, laissant de nombreux médicaments potentiels non découverts. Des taux d’attrition élevés ont également entravé le processus, dans lequel de nombreux candidats médicaments échouent aux derniers stades de développement, entraînant une perte de ressources et de temps. De plus, chaque étape de la découverte d’un médicament nécessite une intervention et une expertise humaines importantes, ce qui peut ralentir les progrès.

Comment l'IA générative change la découverte de médicaments

L'IA générative relève ces défis en automatisant différentes étapes du processus de découverte de médicaments. Il accélère l'identification et la validation des cibles en analysant rapidement de grandes quantités de données biologiques pour identifier et valider plus précisément les cibles médicamenteuses potentielles. Lors de la phase de découverte du composé principal, les algorithmes d’IA peuvent prédire et générer de nouvelles structures chimiques susceptibles d’interagir efficacement avec la cible. La capacité de l’IA générative à explorer un grand nombre de pistes rend le processus d’exploration chimique très efficace. L'IA générative améliore également l'optimisation des leads en simulant et en prédisant les effets des modifications chimiques sur les composés du lead. Par exemple, NVIDIA a collaboré avec Recursion Pharmaceuticals pour explorer plus de 2.8 quadrillions de combinaisons de petites molécules et de cibles en seulement une semaine. Ce processus aurait pu prendre environ 100,000 XNUMX ans pour obtenir les mêmes résultats avec les méthodes traditionnelles. En automatisant ces processus, l’IA générative réduit considérablement le temps et les coûts nécessaires à la mise sur le marché d’un nouveau médicament.

De plus, les informations génératives basées sur l’IA rendent les tests précliniques plus précis en identifiant les problèmes potentiels plus tôt dans le processus, ce qui contribue à réduire les taux d’attrition. Les technologies d’IA automatisent également de nombreuses tâches à forte intensité de main-d’œuvre, permettant aux chercheurs de se concentrer sur des décisions stratégiques de plus haut niveau et d’intensifier le processus de découverte de médicaments. 

Étude de cas : première découverte de médicaments génératifs pour l'IA d'Insilico Medicine

Une entreprise de biotechnologie, Médecine Insilico, a utilisé l'IA générative pour développer le premier médicament contre fibrose pulmonaire idiopathique (FPI), une maladie pulmonaire rare caractérisée par des cicatrices chroniques entraînant un déclin irréversible de la fonction pulmonaire. En appliquant l’IA générative aux ensembles de données omiques et cliniques liés à la fibrose tissulaire, Insilico a réussi à prédire les cibles de fibrose spécifiques aux tissus. En utilisant cette technologie, la société a conçu un inhibiteur à petite molécule, INS018_055, qui a montré son potentiel contre la fibrose et l'inflammation.

En juin 2023, Insilico a administré la première dose d'INS018_055 à des patients d'un Essai clinique de phase II. La découverte de ce médicament a marqué un moment historique puisque le premier inhibiteur antifibrotique à petites molécules au monde a été découvert et conçu à l'aide de l'IA générative.

Le succès de INS018_055 valide l’efficacité de l’IA générative pour accélérer la découverte de médicaments et met en évidence son potentiel pour lutter contre des maladies complexes.

Hallucination dans l'IA générative pour la découverte de médicaments

Alors que l’IA générative fait progresser la découverte de médicaments en permettant la création de nouvelles molécules, il est essentiel d’être conscient du défi important auquel ces modèles pourraient être confrontés. Les modèles génératifs sont sujets à un phénomène connu sous le nom de hallucination. Dans le contexte de la découverte de médicaments, l’hallucination fait référence à la génération de molécules qui semblent valables en surface mais qui manquent de pertinence biologique réelle ou d’utilité pratique. Ce phénomène présente plusieurs dilemmes.

Un problème majeur est l’instabilité chimique. Les modèles génératifs peuvent produire des molécules aux propriétés théoriquement favorables, mais ces composés peuvent être chimiquement instables ou sujets à la dégradation. De telles molécules « hallucinées » pourraient échouer lors de la synthèse ou présenter un comportement inattendu dans les systèmes biologiques.

De plus, les molécules hallucinées manquent souvent de pertinence biologique. Ils peuvent correspondre à des cibles chimiques mais ne parviennent pas à interagir de manière significative avec des cibles biologiques, ce qui les rend inefficaces en tant que médicaments. Même si une molécule semble prometteuse, sa synthèse pourrait être d’une complexité ou d’un coût prohibitif, car l’hallucination ne tient pas compte des voies de synthèse pratiques.

Le manque de validation complique encore le problème. Même si les modèles génératifs peuvent proposer de nombreux candidats, des tests expérimentaux et une validation rigoureux sont essentiels pour confirmer leur utilité. Cette étape est essentielle pour combler le fossé entre le potentiel théorique et les applications pratiques.

Diverses stratégies peuvent être utilisées pour atténuer les hallucinations. Des approches hybrides combinant l’IA générative avec une modélisation basée sur la physique ou des méthodes fondées sur la connaissance peuvent aider à filtrer les molécules hallucinées. L’entraînement contradictoire, où les modèles apprennent à distinguer les composés naturels des composés hallucinés, peut également améliorer la qualité des molécules générées. En impliquant des chimistes et des biologistes dans le processus de conception itératif, l’effet des hallucinations peut également être réduit.

En relevant le défi de l’hallucination, l’IA générative peut poursuivre sa promesse en accélérant la découverte de médicaments, rendant ainsi le processus plus efficace et efficient dans le développement de nouveaux médicaments viables.

En résumé

L'IA générative change l'industrie pharmaceutique en accélérant la découverte de médicaments et en réduisant les coûts. Bien que des défis tels que l’hallucination demeurent, la combinaison de l’IA avec les méthodes traditionnelles et l’expertise humaine permet de créer des composés plus précis et plus viables. Insilico Medicine démontre que l’IA générative a le potentiel de lutter contre des maladies complexes et de commercialiser plus efficacement de nouveaux traitements. L’avenir de la découverte de médicaments devient de plus en plus prometteur, grâce à l’IA générative qui stimule les innovations.