Comment l'intelligence artificielle révolutionne la découverte de médicaments
Comment l'intelligence artificielle peut-elle améliorer la découverte de médicaments, réduire les coûts et accélérer la mise sur le marché de nouveaux médicaments ? Dans cet article, nous explorons comment l'IA est en train de transformer la découverte de médicaments telle que nous la connaissons.
Voici une dure réalité : 96 % des médicaments susceptibles de sauver des vies ne parviennent jamais sur le marché. Des coûts excessifs, allant de 1,3 à 2,8 milliards de dollars, et des contraintes réglementaires lourdes rendent difficile la pénétration du marché par les nouvelles thérapies.
En moyenne, il faut compter entre 12 et 15 ans de tests pour qu'un médicament passe du laboratoire aux essais cliniques, puis à l'autorisation de mise sur le marché délivrée par la FDA.
Conclusion ? Seul un médicament sur 5 000 testés arrive sur le marché.
Aïe.
Cela soulève la question suivante : comment les technologies basées sur l'intelligence artificielle (IA) peuvent-elles améliorer la découverte de médicaments, réduire les coûts et accélérer la mise sur le marché de nouveaux médicaments ?
Figure 1 : Calendrier d'autorisation des médicaments.
Le modèle COVID-19 est-il l'avenir du développement des médicaments ?
Dans des circonstances normales, le vaccin contre la COVID-19 aurait pris plus d'une décennie pour passer par les étapes de découverte, d'essais cliniques et d'approbation. Cependant, les situations désespérées appellent des mesures désespérées, c'est pourquoi la Federal Drug Administration (FDA) a lancé un nouveau programme appelé Coronavirus Treatment Acceleration Program (CTAP).
L'objectif de ce programme était « d'aider à mettre les nouveaux produits médicaux à la disposition des patients dès que possible, tout en déterminant leur efficacité et si leurs avantages l'emportaient sur leurs risques ». En combinant les méthodes traditionnelles de découverte de médicaments avec l'IA, le criblage des médicaments est devenu plus efficace grâce au CTAP, ce qui a permis d'accélérer le processus de découverte et d'autorisation.
Et ça a marché.
L'année dernière, BenevolentAI, une entreprise basée à Londres, a réussi à identifier le baricitinib, un médicament créé pour aider les patients atteints de polyarthrite rhumatoïde, comme un candidat sérieux pour le traitement de la COVID-19. Grâce à des graphiques de connaissances alimentés par l'IA, BenevolentAI a identifié les composés anti-inflammatoires et antiviraux du baricitinib en moins de 48 heures.
Cela s'est avéré être une avancée majeure, car les formes graves du coronavirus sont associées à une inflammation dérégulée (ce qui signifie que la réponse immunitaire est excessive et que le virus peut se propager plus rapidement dans l'organisme). À l'heure actuelle, le baricitinib est approuvé par la FDA.
L'essor de l'IA et de l'apprentissage automatique dans le développement de médicaments
Au cours de nos recherches pour cet article, nous avons recensé 235 organisations qui exploitent actuellement l'IA et l'apprentissage automatique (ML) pour la recherche et le développement (R&D) pharmaceutiques. Avec des acteurs majeurs du secteur tels qu'Exscientia AI, Pfizer et AstraZeneca en tête, l'adoption de l'IA et du ML pour le développement de médicaments continuera de progresser.
En 2015, les investisseurs ont injecté 500 millions de dollars dans la recherche et le développement pharmaceutiques basés sur l'IA. En 2021, le montant des investissements a augmenté pour atteindre plus de 4,4 milliards de dollars, soit un TCAC de 43,6 %. Et la croissance ne devrait pas ralentir de sitôt. Au contraire, les chercheurs prévoient que la valeur marchande dépassera les 20 milliards de dollars au cours des cinq prochaines années.
L'augmentation de l'adoption de la R&D alimentée par l'IA correspond à la croissance des investissements, ainsi qu'au nombre de start-ups entrant sur le marché.
Figure 2 : Ce graphique présente les investissements dans l'IA pour le développement de médicaments entre 2011 et 2021.
Comment l'IA transforme le développement des médicaments
Un programme de découverte de médicaments est lancé lorsqu'il existe une maladie ou un trouble spécifique pour lequel il n'existe pas suffisamment de produits médicaux disponibles. Dans de nombreux cas, les chercheurs ne recherchent pas une nouvelle structure, mais adaptent plutôt les données provenant de 20 000 médicaments existants déjà approuvés pour la commercialisation. Ces médicaments disposent d'une multitude de publications, de données cliniques et de propriété intellectuelle qui peuvent être utilisées pour découvrir de nouveaux traitements ; la difficulté réside dans l'application des données provenant des médicaments existants pour lutter contre de nouvelles maladies.
Mais les chercheurs doivent surmonter un obstacle de taille : les données publiques sont en grande partie non structurées et fondamentalement différentes. Cela signifie non seulement que ces sources de données sont difficiles à analyser (au sens traditionnel du terme), mais aussi qu'elles sont disparates.
Pour que les chercheurs puissent en tirer des informations utiles (avant qu'il ne soit temps de prendre leur retraite), ces ensembles de données disparates doivent être reliés, organisés et validés afin d'en garantir l'exactitude.
C'est là qu'intervient l'IA : des branches telles que le traitement du langage naturel (NLP) peuvent analyser d'énormes quantités de données en langage naturel, comprendre les nuances contextuelles et établir des liens entre les médicaments, les cibles et les résultats thérapeutiques attendus en quelques minutes.
Les plateformes d'intelligence innovante connectée (CII) telles que Synapse de PatSnap relient la littérature, les brevets et les données séquentielles afin d'aider les chercheurs dans leur processus de sélection préclinique. De plus, les chercheurs peuvent créer des graphiques de connaissances, réduisant ainsi le temps nécessaire pour trouver le candidat médicament approprié.
Comme l'a démontré BenevolentAI, les graphes de connaissances changent la donne. Ils peuvent aider les chercheurs à établir des liens entre des médicaments, des cibles et des maladies qui seraient normalement considérés comme sans rapport. Une fois ces relations découvertes, les chercheurs peuvent agir sur la base de ces informations en faisant des prédictions, en modélisant de nouvelles voies et en testant leurs conclusions.
Pour en savoir plus sur la plateforme Connected Innovation Intelligence de PatSnap, basée sur l'intelligence artificielle, et sur la manière dont elle peut aider votre entreprise à accélérer la découverte de médicaments, téléchargez notre guide complet sur la Connected Innovation Intelligence.
Biographie de l'auteur
Christian Agueci est chef de projet au sein de l'équipe chargée de la croissance de la clientèle chez PatSnap. Il est diplômé de l'université Laurier, où il a obtenu une licence en biochimie et un master en administration des affaires. Pendant la pandémie de Covid, Christian s'est découvert plusieurs passe-temps, notamment le jardinage et la course à pied. Il prévoit de courir son premier marathon au printemps 2022.
