Déchiffrer le langage des molécules : Comment l’IA générative accélère la découverte de médicaments

À mesure que l’IA générative évolue, elle va au-delà de la compréhension du langage humain pour maîtriser les langages complexes de la biologie et de la chimie. Pensez à l’ADN comme à un scénario détaillé, une séquence de 3 milliards de lettres qui guide les fonctions et la croissance de notre corps. De même, les protéines, les composants essentiels de la vie, ont leur propre langage, y compris un alphabet de 20 acides aminés. En chimie, les molécules ont également un dialecte unique, comme construire des mots, des phrases ou des paragraphes en utilisant des règles de grammaire. La grammaire moléculaire dicte la façon 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.

À mesure que l’IA générative, telle que les modèles de langage grandeur nature (LLM), démontre sa capacité à déchiffrer le langage des molécules, de nouvelles voies s’ouvrent pour une découverte de médicaments efficiente. Plusieurs entreprises 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 de dollars de valeur économique annuelle pour l’industrie pharmaceutique. Ce potentiel est principalement dû à sa capacité à améliorer la productivité en accélérant l’identification de nouveaux composés de médicaments potentiels et en accélérant leur développement et leurs processus d’approbation. Cet article explore comment l’IA générative change l’industrie pharmaceutique en catalysant des 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 et ses limites et défis inhérents.

Les défis de la découverte traditionnelle de médicaments

Le processus traditionnel de découverte de médicaments est une entreprise multistage, souvent longue et coûteuse en ressources. Il commence par l’identification des cibles, où les scientifiques identifient les cibles biologiques impliquées dans une maladie, telles que les protéines ou les gènes. Cette étape conduit à la validation des cibles, qui confirme que la manipulation de la cible aura des effets thérapeutiques. Ensuite, les chercheurs s’engagent dans l’identification des composés de départ pour trouver des candidats médicaments potentiels qui peuvent interagir avec la cible. Une fois identifiés, ces composés de départ subissent une optimisation des composés de départ, en affinant leurs propriétés chimiques pour améliorer l’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 dans trois phases d’essais cliniques pour évaluer la sécurité et l’efficacité humaines. Enfin, les composés réussis doivent obtenir l’approbation réglementaire avant d’être commercialisés et prescrits.

Malgré sa minutie, le processus traditionnel de découverte de médicaments a plusieurs limites et défis. Il est notoirement long et coûteux, souvent prenant 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 le processus, rendant difficile la prédiction de la façon dont un médicament se comportera 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. Les taux d’attrition élevés entravent également le processus, où de nombreux candidats médicaments échouent pendant le développement de phase tardive, entraînant des ressources et du temps gaspillés. De plus, chaque étape de la découverte de médicaments nécessite une intervention humaine et une expertise significatives, ce qui peut ralentir les progrès.

Comment l’IA générative change la découverte de médicaments

L’IA générative répond à ces défis en automatisant différentes étapes du processus de découverte de médicaments. Elle 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 de médicaments potentielles. Dans la phase de découverte des composés de départ, 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 composés de départ rend le processus d’exploration chimique très efficace. L’IA générative améliore également l’optimisation des composés de départ en simulant et en prédissant les effets des modifications chimiques sur les composés de départ. Par exemple, NVIDIA (NVDA ) a collaboré avec Recursion Pharmaceuticals (RXRX ) pour explorer plus de 2,8 quadrillions de combinaisons de petites molécules et de cibles en une semaine seulement. Ce processus aurait pu prendre environ 100 000 ans pour obtenir les mêmes résultats en utilisant les méthodes traditionnelles. En automatisant ces processus, l’IA générative réduit considérablement le temps et les coûts nécessaires pour mettre un nouveau médicament sur le marché.

De plus, les connaissances générées par l’IA améliorent l’exactitude des tests précliniques en identifiant les problèmes potentiels plus tôt dans le processus, ce qui aide à réduire les taux d’attrition. Les technologies d’IA automatisent également de nombreuses tâches fastidieuses, permettant aux chercheurs de se concentrer sur des décisions stratégiques de haut niveau et de mettre à l’échelle le processus de découverte de médicaments.

Étude de cas : La première découverte de médicaments par IA générative d’Insilico Medicine

Une entreprise de biotechnologie, Insilico Medicine, a utilisé l’IA générative pour développer le premier médicament contre la fibrose pulmonaire idiopathique (IPF), une maladie pulmonaire rare caractérisée par une cicatrisation chronique qui entraîne une diminution irréversible de la fonction pulmonaire. En appliquant l’IA générative à des données omiques et cliniques liées à la fibrose tissulaire, Insilico a prédit avec succès des cibles de fibrose spécifiques aux tissus. En utilisant cette technologie, l’entreprise a conçu un inhibiteur de petite molécule, INS018_055, qui a montré un potentiel contre la fibrose et l’inflammation.

En juin 2023, Insilico a administré la première dose d’INS018_055 à des patients dans un essai clinique de phase II. La découverte de ce médicament a marqué un moment historique, car c’est le premier inhibiteur de petite molécule anti-fibrotique qui a été découvert et conçu à l’aide de l’IA générative.

Le succès d’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.

Les hallucinations dans l’IA générative pour la découverte de médicaments

À mesure que l’IA générative progresse dans la découverte de médicaments en permettant la création de molécules nouvelles, il est essentiel d’être conscient d’un défi important que ces modèles pourraient rencontrer. Les modèles génératifs sont sujets à un phénomène appelé hallucination. Dans le contexte de la découverte de médicaments, l’hallucination fait référence à la génération de molécules qui semblent valides en surface mais manquent de pertinence biologique ou d’utilité pratique. Ce phénomène présente plusieurs dilemmes.

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

De plus, les molécules hallucinées manquent souvent de pertinence biologique. Elles peuvent correspondre aux cibles chimiques mais échouer à interagir de manière significative avec les cibles biologiques, les rendant inefficaces en tant que médicaments. Même si une molécule semble prometteuse, sa synthèse pourrait être prohibitivement complexe ou coûteuse, car l’hallucination ne tient pas compte des voies de synthèse pratiques.

Le fossé de validation complique encore le problème. Alors que 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 l’application pratique.

Différentes stratégies peuvent être employées pour atténuer les hallucinations. Les approches hybrides combinant l’IA générative avec la modélisation basée sur la physique ou les méthodes basées sur les connaissances peuvent aider à filtrer les molécules hallucinées. La formation antagoniste, où les modèles apprennent à distinguer les composés naturels et les 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 de l’hallucination peut également être réduit.

En répondant au défi de l’hallucination, l’IA générative peut tenir ses promesses pour accélérer la découverte de médicaments, rendant le processus plus efficace et efficient pour développer 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 subsistent, la combinaison de l’IA avec les méthodes traditionnelles et l’expertise humaine aide à créer des composés plus précis et viables. Insilico Medicine démontre que l’IA générative a le potentiel pour lutter contre des maladies complexes et apporter de nouveaux traitements sur le marché de manière plus efficace. L’avenir de la découverte de médicaments devient plus prometteur, avec l’IA générative stimulant les innovations.