Comment l’IA brise les goulets d’étranglement dans la découverte de médicaments à base de petites molécules

Les essais cliniques pour le développement de médicaments sont notoirement lents et coûteux, et seule une petite fraction des candidats-médicaments est finalement approuvée par les autorités réglementaires. Les goulets d’étranglement importants dans le processus traditionnel de découverte de médicaments sont trop familiers à ceux de l’industrie pharmaceutique : la phase clinique seule prend environ une décennie et représente près des trois quarts des coûts de R&D, avec le coût moyen de développement d’un médicament qui atteint un chiffre stupéfiant de 2,2 milliards de dollars en 2024.

Peut-être plus critique encore, l’industrie pharmaceutique a lutté pour prédire avec précision les résultats de développement réussis pendant les travaux de phase précoce : environ 80-90 pour cent des candidats-médicaments échouent à être approuvés malgré les nombreuses années et le financement important consacré à leur développement. La sécurité des médicaments est une grande raison pour cela, avec la toxicité inattendue représentant environ 30 pour cent des échecs du développement de médicaments.

Les molécules découvertes par l’IA sont plus réussies dans les essais de phase I

Cependant, les données émergentes suggèrent que l’intelligence artificielle et les approches computationnelles ne sont pas seulement en train de relever ces défis – elles transforment fondamentalement notre capacité à prédire les résultats réussis. Les premières étapes de la découverte de nouveaux médicaments sont particulièrement cruciales – et c’est là que l’IA et la chimie computationnelle peuvent avoir l’impact le plus significatif.

Ces approches d’IA et de calcul peuvent aider à trouver des thérapies novatrices efficaces pour cibler les protéines appropriées pour traiter la maladie au stade précoce de la découverte et de l’optimisation, plutôt que plus tard dans le processus, ce qui a longtemps été le cas. La prédiction de la toxicité computationnelle est particulièrement utile au stade précoce de la découverte de médicaments, car elle peut exclure les molécules qui sont susceptibles d’échouer dans les essais cliniques. Trouver les meilleurs médicaments plus tôt – et éliminer ceux qui ne fonctionneront pas – peut économiser une décennie de recherche coûteuse et augmenter la chance que le médicament passe la phase d’essai clinique.

Des recherches récentes sur les sociétés de biotechnologie natives de l’IA révèlent des tendances encourageantes qui suggèrent que les approches computationnelles commencent à surmonter certains des défis les plus fondamentaux de la découverte de médicaments. Par exemple, une analyse publiée dans Drug Discovery Today a constaté que les molécules découvertes par l’IA sont substantiellement plus réussies que les moyennes historiques de l’industrie dans les essais de phase I – atteignant un taux de réussite de 80-90 pour cent en phase I, contre une moyenne industrielle de 40-65 pour cent.

Ce succès au stade précoce est particulièrement significatif car il indique que les approches basées sur l’IA sont en train de résoudre l’un des défis les plus fondamentaux de la découverte de médicaments : concevoir des molécules qui possèdent les multiples caractéristiques nécessaires au développement pharmaceutique.

Le pouvoir de l’optimisation multi-paramètres

Au cœur de cette transformation se trouve une compétence que la chimie computationnelle alimentée par l’IA est beaucoup meilleure et plus rapide que les humains : l’optimisation multi-paramètres, le processus d’équilibrage de plusieurs propriétés d’un médicament potentiel en même temps – telles que la puissance, la sécurité, la spécificité, la perméabilité de la barrière hémato-encéphalique et bien d’autres. Cela rend la conception des candidats les plus prometteurs beaucoup plus précise, plus rapide et plus efficace, même si ces propriétés sont en conflit les unes avec les autres.

Les approches traditionnelles de découverte de médicaments ne peuvent optimiser qu’un paramètre à la fois, ce qui rend difficile l’amélioration d’un aspect sans affecter négativement les autres. Par exemple, un médicament destiné à traiter les tumeurs cérébrales doit être capable de pénétrer la barrière hémato-encéphalique pour atteindre le cerveau. Mais un médicament qui traverse la barrière de manière efficace peut ne pas être suffisamment sélectif par rapport à sa cible, ce qui pourrait réduire l’efficacité du médicament ou provoquer des effets secondaires indésirables. Les approches traditionnelles peuvent optimiser des questions comme la perméabilité de la barrière hémato-encéphalique en premier et aborder d’autres propriétés plus tard, ce qui peut repousser les problèmes plutôt que de les aborder au début du processus.

Pendant ce temps, les outils de calcul renforcés par l’IA changent fondamentalement l’approche de la conception de médicaments. Plutôt que l’optimisation séquentielle qui peut conduire à des échecs en phase tardive, l’IA permet l’optimisation simultanée de tous les paramètres critiques dès le stade de la découverte. Avec l’IA, les chercheurs peuvent intégrer des données sur plusieurs contraintes et demander aux algorithmes de trouver une molécule connue qui fonctionne le mieux avec toutes ces contraintes – ou en générer une nouvelle. En utilisant des outils d’IA et d’apprentissage automatique à l’avance rapide pour développer des candidats-médicaments optimaux plus rapidement et plus précisément, en analysant simultanément plusieurs paramètres, on augmente la probabilité de succès et on s’attend à ce que cela conduise finalement au développement de traitements plus efficaces, fiables et sûrs pour les patients.

Les outils de calcul basés sur l’IA peuvent également apprendre les exigences uniques pour différents domaines thérapeutiques. Les algorithmes d’IA peuvent intégrer ces exigences nuancées pour générer des candidats-médicaments adaptés à des maladies et à des organes cibles spécifiques, plutôt que de simplement répondre à des critères généraux pour être des molécules à usage médical. Par exemple, un composé qui cible les tumeurs cérébrales est confronté à des défis d’optimisation différents de ceux conçus pour l’inflammation chronique associée à des maladies comme l’arthrose, le diabète, l’athérosclérose et d’autres.

Pour vraiment permettre à ces approches basées sur l’IA de fonctionner, des ensembles de données ultra-grands de molécules sont nécessaires, à la fois pour écran et, plus important encore, pour former ces modèles. Plus l’ensemble de données est grand, plus l’espace chimique est couvert, ce qui augmente également les chances de succès. Au lieu d’écraner des dizaines de milliers (ou même quelques millions) de molécules et de faire progresser une poignée de dizaines dans le développement, les chercheurs computationnels peuvent écraner jusqu’à des dizaines de milliards de molécules.

L’étape suivante : Intégrer les approches basées sur l’IA dans les pipelines de développement

Avec la complexité accrue de ces approches, un défi majeur est la capacité de les effectuer à grande échelle. Par conséquent, l’étape suivante pour exploiter l’IA dans la découverte de médicaments est d’intégrer des outils qui permettent au processus de découverte d’être mis à l’échelle grâce à l’utilisation d’agents d’IA – des systèmes computationnels autonomes qui peuvent effectuer des tâches ou des processus complexes sans intervention humaine constante.

Par exemple, les agents peuvent être utilisés pour collecter et analyser la quantité croissante d’informations nécessaires et éliminer les candidats-médicaments moins pertinents.

Une fois que les agents ont été formés sur de nombreux paramètres, contraintes chimiques et autres variables pertinentes telles que les niveaux de toxicité et les exigences de la FDA, ils seront finalement en mesure de fournir aux chercheurs les principaux candidats moléculaires pour toute maladie.

Le défi de l’industrie pharmaceutique n’est pas de savoir si elle doit adopter la conception de médicaments computationnelle basée sur l’IA, mais plutôt comment l’intégrer rapidement et efficacement dans les pipelines de développement existants. Bien que des défis restent, les premières preuves suggèrent que l’IA et la chimie computationnelle détiennent la clé pour des médicaments meilleurs, développés de manière plus efficace et qui atteignent plus de patients plus rapidement que jamais.