Découverte de médicaments et prédictions basées sur l'IA avec Stephen MacKinnon

Dans cet épisode d'Innovation Capital

Comment le processus de découverte de médicaments et l'expérience vont-ils évoluer dans les années à venir ? Dans cet épisode d'Innovation Capital, nous explorons ce sujet passionnant en détail avec Stephen MacKinnon, scientifique et innovateur.

Écouter maintenant

Transcription de l'épisode

Ray Chohan : Steven, bienvenue dans Innovation Capital ! Nous sommes ravis de vous accueillir dans cet épisode aujourd'hui. En fait, nous attendions avec impatience de pouvoir discuter avec vous depuis un certain temps, car nous suivons Cyclica en tant qu'organisation depuis un certain temps et sommes de grands admirateurs de ce domaine.

Nous aimerions commencer par vous demander de nous parler un peu de votre parcours et de ce qui vous a amené à vous lancer dans le monde merveilleux de la biotechnologie, Stephen. Ensuite, si vous pouviez nous en dire plus sur la mission et la vision de Cyclica, nous poursuivrons à partir de là.

Alors, Stephen, à toi de jouer !

Stephen MacKinnon : Merci de m'accueillir parmi vous ! Je suis toujours ravi de parler de ce que j'ai accompli et de ce que l'organisation a accompli. Je m'appelle Stephen MacKinnon. Je suis vice-président de la recherche et du développement (R&D) chez Cyclica.

J'ai une formation en biochimie computationnelle et je suis titulaire d'une licence et d'un doctorat dans ce domaine. Cependant, plutôt que d'étudier la biochimie à l'aide de béchers et d'expériences en laboratoire, ma méthode d'étude consiste à examiner de vastes bases de données et à essayer de dégager de nouvelles perspectives en mettant en évidence les tendances qui se dégagent des données. Mon doctorat portait sur la bio-informatique structurale, qui consiste à examiner les structures 3D des protéines. Là encore, il s'agissait de rechercher des modèles dans la manière dont elles interagissent les unes avec les autres, de manière entièrement computationnelle.

J'ai rejoint Cyclica dès les tout débuts de l'organisation, à l'étape préliminaire où nous travaillions tous dans un sous-sol, pour ainsi dire. J'étais alors le premier scientifique de l'équipe. Nous avons commencé avec l'idée de faire des prédictions sur la manière dont les médicaments pourraient interagir avec les protéines. Mais pas dans le sens où nous nous demandions : « Voici une nouvelle cible protéique, quels sont tous les médicaments qui pourraient interagir avec cette cible protéique ? » Notre approche consistait plutôt à développer une solution globale qui permettrait non seulement de résoudre le problème pour lequel nous concevions le médicament, mais aussi de découvrir toutes les cibles protéiques avec lesquelles ce médicament pourrait interagir.

Cela découle de l'idée selon laquelle le génome humain contient environ 20 000 gènes codant pour différentes protéines. Même si nous développons un médicament capable d'interagir avec une seule protéine cible pour induire un effet thérapeutique, nous savons que ce médicament interagit avec de nombreux autres éléments. Il est métabolisé, absorbé et transporté d'un endroit à un autre dans l'organisme. Nous savons donc qu'un médicament interagit avec de nombreuses protéines différentes, et nous voulons pouvoir utiliser des approches computationnelles pour essayer de cartographier toutes ces relations.

Je travaille pour cette organisation depuis environ sept ou huit ans maintenant, et en la voyant passer du stade de pré-lancement à ce qu'elle est aujourd'hui, j'ai eu l'occasion de constituer une équipe de scientifiques. Au départ, j'étais le principal développeur, je m'occupais directement d'une grande partie de la programmation et de la recherche. Puis, j'ai commencé à constituer une équipe. J'ai trouvé d'autres scientifiques partageant les mêmes idées pour nous rejoindre, et nous avons travaillé ensemble sur ce problème.

Ray : C'est logique. Stephen, peut-on dire que lorsque DeepMind AlphaFold a réussi, en novembre dernier, à prédire la forme 3D d'une protéine à partir de sa séquence d'acides aminés et à résoudre ce grand défi biologique vieux de 50 ans, cela correspondait à la vision de Cyclica, qui consiste à créer des médicaments qui sont en quelque sorte des logiciels conçus sur mesure ?

Stephen : Je pense que les progrès réalisés par DeepMind sont vraiment exceptionnels. J'apprécie particulièrement leur façon de penser et de combiner différentes formes d'informations pour résoudre un problème spécifique.

La prédiction de la structure des protéines, ou du moins la prédiction de novo de la structure des protéines, est certainement une sorte de Saint Graal dans la communauté universitaire depuis longtemps. Comprendre comment les protéines fonctionnent fondamentalement, comment elles s'associent à partir de ces chaînes pour former des structures 3D qui sont de petites machines à l'intérieur de la cellule, s'assemblant à partir d'un plan pour former une machine capable d'effectuer les tâches les plus complexes que nous puissions imaginer, même au-delà de notre vision macroscopique. À cet égard, il s'agit sans aucun doute d'une grande réussite.

Il existe de nombreuses protéines qui bénéficieront grandement d'une technologie capable de prédire les structures, en termes de protéome humain. Par exemple, sur environ 20 000 gènes codant pour des protéines, environ 4 000 à 5 000 ont été résolus dans une certaine mesure de manière expérimentale, dont environ 10 000 autres protéines ont un certain degré de structure cousine existante qui peut être utilisée pour modéliser. Lorsqu'une technologie comme AlphaFold entre en jeu pour examiner ces régions obscures du protéome, en particulier celles qui n'ont pas été étudiées de manière aussi approfondie par les chercheurs, et a une idée de ce à quoi ces formes 3D pourraient ressembler.

C'est un ajout important et significatif dans ce contexte, ainsi que pour identifier les structures protéiques chez des espèces qui n'ont pas encore fait l'objet d'études approfondies. Par exemple, les espèces bactériennes qui pourraient être pathogènes et qui sont très importantes pour la découverte de médicaments et la santé humaine, ou le microbiome intestinal, qui joue également un rôle clé dans la santé humaine. Les technologies de prédiction structurelle ont sans aucun doute un fort potentiel d'impact dans ces domaines.

Ray : Cela semble logique, et c'est quelque chose que nous avons observé de près ici chez PatSnap l'année dernière. Nous entrons maintenant dans cette ère glorieuse où l'IA, l'analyse de données et la biologie classique convergent. D'après votre opinion professionnelle, quelle est l'histoire derrière ce nouveau paradigme ?

Chacun a une vision légèrement différente de la question. Pour que notre public comprenne vraiment les débuts de ce paradigme, pouvez-vous nous dire où tout a commencé ? De plus, d'ici 2026, où en serons-nous selon vous en termes de vie des patients ?

Stephen : L'apprentissage automatique (ML) fait partie des processus de découverte de médicaments depuis très longtemps. Il y a un article particulier que j'ai mentionné précédemment, dans lequel les auteurs parlaient de l'impact du ML sur la découverte de médicaments dans les années 1980.

Nous essayons depuis longtemps d'utiliser au mieux les informations dont nous disposons. Dans de nombreux cas, ces informations sont limitées, tandis que les problèmes que nous essayons de résoudre sont d'une ampleur considérable. Nous avons donc toujours été motivés à utiliser autant que possible toutes les informations disponibles afin de déterminer la direction à prendre pour nos expériences.

Par exemple, l'espace chimique : le nombre est tellement grand qu'il n'existe pas, je pense, de mot pour désigner des nombres aussi élevés, mais 10 à la puissance 60 est l'un des nombres souvent cités pour désigner le nombre de molécules qui ressemblent à des médicaments pouvant exister ou pouvant être créées. Ainsi, lorsque l'ampleur ou les permutations de toutes les expériences possibles que vous pourriez réaliser dans le cadre d'un programme sont si importantes, il est très utile de disposer de ces prévisions informatiques pour aider à réduire ce champ d'action ou à déterminer où vous obtiendrez le meilleur retour sur investissement en termes de recherche.

Parmi les éléments qui ont stimulé les avancées les plus récentes, on peut citer les approches de type robotique, qui étaient très courantes et se sont rapidement développées entre le début des années 2000 et 2010. Ainsi, lorsque les chercheurs collectaient des données et menaient des expériences, au lieu de se limiter à quelques dizaines ou centaines de points de données, ils en collectaient des dizaines, voire des centaines de milliers. Il ne s'agit donc pas seulement du nombre de mesures différentes prises, mais aussi des données contenues dans ces points de données. Ces mesures ont une dimensionnalité beaucoup plus grande.

Par exemple, le séquençage de nouvelle génération, une technologie qui a vraiment commencé à se développer entre 2008 et 2010, permettait de mesurer des milliers de points de données différents en une seule expérience. De plus en plus d'expériences sont menées, et les informations qu'elles fournissent ont une dimensionnalité beaucoup plus élevée. Il en résulte un besoin de prédictions informatiques pour donner un sens à un contenu informationnel trop volumineux pour être consommé dans son intégralité par des individus et pour essayer de prendre des décisions éclairées sur cette base.

Ray : Stephen, diriez-vous que la baisse rapide des coûts est également une opportunité ? Par exemple, si l'on considère le coût du séquençage du génome au début des années 2000, il avoisinait le milliard de dollars. Aujourd'hui, il est inférieur à 1 000 dollars. Cela joue-t-il également un rôle important pour l'avenir, compte tenu de l'effet déflationniste sur l'IA et les autres éléments liés à la robotique et à la biologie computationnelle ? En substance, cela devient-il plus évolutif et accessible ?

Stephen : Oui. Le séquençage est l'un des meilleurs exemples d'amélioration biotechnologique qui est devenue beaucoup moins coûteuse et qui, par conséquent, peut être réalisée à plus grande échelle pour un coût moindre. Cependant, plusieurs facteurs contribuent à cette évolution.

Par exemple, toute une communauté universitaire effectue ce type de mesures et partage ouvertement ces données avec le monde entier. Cela a largement contribué à fournir une base pour le développement de nouveaux types de technologies. Il ne s'agit donc pas seulement d'une question de coût, mais aussi d'un effet communautaire. Combinés, ces éléments ont contribué à la création de vastes bases de données publiques dans le domaine des sciences de la vie et ont ouvert la voie à des entreprises qui développent de nouvelles technologies et tentent de nouvelles expériences. Ces entreprises peuvent tester ce qui fonctionne et ce qui ne fonctionne pas, en se basant sur les informations disponibles.

Deuxièmement, l'accessibilité non seulement aux données, mais aussi aux algorithmes a changé la donne. Il existe de nombreux outils publics dédiés à l'apprentissage automatique qui facilitent le développement de nouvelles technologies.

Ray : Quand on regarde ce domaine passionnant où convergent le séquençage et la synthèse de l'ADN, l'apprentissage automatique, la vision par ordinateur, l'automatisation, et où vous venez d'évoquer la robotique, on constate également l'émergence d'une nouvelle génération d'entreprises biotechnologiques sur le marché. Celles-ci fonctionnent comme un modèle commercial de plateforme, à l'instar d'Uber ou d'Airbnb, où elles disposent d'éléments tels que les effets de réseau de données, qui permettent à d'autres entreprises de s'appuyer sur leur propriété intellectuelle et leur plateforme. Est-ce quelque chose que vous avez observé chez Cyclica ou auquel vous participez de manière proactive ?

Stephen : C'est certainement une question qui s'est posée au début de notre développement. À nos débuts, nous avons formulé de nouvelles prédictions qui, selon nous, pourraient apporter une valeur ajoutée à la découverte de médicaments. Nous nous concentrions sur la philosophie centrale que j'ai mentionnée plus tôt, à savoir que nous voulions vraiment connaître ou être en mesure d'expliquer non seulement l'effet recherché d'un médicament sur sa cible principale, mais aussi tout ce qui se passe en amont, ou autant que possible, dès le début du processus de conception de nouveaux composés.

À un moment donné, nous développons donc une prédiction. La prédiction est bonne, elle est accompagnée d'un signal prédictif satisfaisant qui nous convient. Finalement, cela soulève la question suivante : « Comment commercialiser cela ? » En d'autres termes, comment passer de là (une prédiction et un code logiciel) à une entreprise à part entière avec un modèle commercial ?

Je ne peux pas vraiment parler au nom d'autres secteurs, mais si l'on prend l'exemple de l'IA appliquée à la découverte de médicaments, le cycle de vie d'un produit pharmaceutique est très complexe. Il n'existe pas de chemin unique pour passer de « Je veux un traitement pour cette affection particulière » à « Voici un médicament approuvé par la FDA pour cette affection ». Il n'y a pas de chemin unique, mais plusieurs chemins possibles. De plus, cette recherche et cette mise en produit impliquent des centaines d'étapes différentes.

Il existe donc de nombreux domaines dans lesquels les techniques informatiques peuvent avoir un impact, et de nombreux endroits où une technologie peut s'implanter. Naturellement, de nombreuses entreprises voient le jour dans ce secteur à l'échelle mondiale. Étonnamment, peu d'entre elles sont directement concurrentes en termes d'offre de deux outils conçus pour la même tâche. Il existe en réalité une grande diversité en termes de tâches pour lesquelles chacune des technologies est développée et conçue.

À un certain stade du développement d'une entreprise, nous devons nous demander : « Voulons-nous nous concentrer sur la résolution d'un seul problème, le traiter de manière très approfondie, puis élargir ce problème ? » ou « Voulons-nous nous concentrer sur un point d'inflexion spécifique qui génère de la valeur dans le domaine de la découverte de médicaments et commencer à élaborer des programmes de découverte de médicaments axés sur ce point ? »

C'est le compromis entre une structure commerciale plus horizontale et une structure commerciale plus verticale. Et il existe deux écoles de pensée qui s'affrontent au sein des différentes entreprises émergentes dans ce domaine : faut-il utiliser une technologie pour concevoir de meilleurs médicaments, ou faut-il développer une technologie, établir des partenariats et créer une plateforme permettant à de nombreuses personnes différentes d'aider et d'assister divers programmes dans leurs propres recherches ? C'est une crise d'identité à laquelle toutes les entreprises seront confrontées à un certain stade de leur développement.

Ray : Où en sommes-nous actuellement, Stephen, entre la résolution de problèmes (qui se concentre sur un nombre spécifique de cas) et l'opposé, qui est davantage une plateforme où vous disposez de cette capacité IP fondamentale autour des données, et où vous laissez d'autres personnes construire par-dessus, pour partir de là ?

Stephen : C'est une bonne question. Ce secteur a connu des succès dans ces deux domaines. Plus l'accent est mis sur la solution ponctuelle, plus cette technologie particulière peut être perfectionnée. Plus elle est perfectionnée, plus elle est efficace. Cependant, l'inconvénient est qu'à un certain moment, le développement et le perfectionnement d'un élément spécifique finissent par avoir un rendement décroissant.

Il existe peut-être une meilleure approche qui consiste à commencer par une solution ponctuelle efficace, puis à essayer progressivement de remonter et descendre la chaîne pour l'améliorer, avant de soutenir les projets des partenaires sur une plus longue période.

Ray : C'est très intéressant, Stephen. Pendant que vous parlez, je visualise notre espace, qui est l'espace logiciel classique où l'on trouve des entreprises de plateformes, des milliers, voire plus de 100 000 acteurs proposant des solutions ponctuelles. Ils génèrent tous de la valeur de différentes manières, et cet écosystème a permis d'améliorer considérablement la productivité au sein de l'entreprise et dans un contexte B2B ou B2C.

En termes de parcours sur les montagnes russes, où en sommes-nous dans ce nouveau paradigme au sein des biotechnologies ? Plus précisément, où en sommes-nous si l'on compare cela à l'époque des dot-com, au début de l'Internet, où 1994-1995 correspondait aux tout débuts, 1998 a vu l'apparition du livre « Crazy Dot Com », et le reste appartient à l'histoire ? À votre avis, où en sommes-nous dans la mise en place de ce système et dans son impact révolutionnaire sur les soins de santé ?

Stephen : Je ne veux pas parler de la période 2000, ni même de quoi que ce soit avant cela, car cela reviendrait presque à prédire l'émergence d'une bulle. Mais je pense que, dans une certaine mesure, la biologie computationnelle pourrait se trouver dans une phase naissante de bulle pré-dot-com, avec une forte croissance.

Cela dit, je ne pense pas que ce soit tout à fait le cas, car je pense que la bioinformatique repose sur des bases plus solides que celles sur lesquelles reposait Internet à ses débuts, entre 1995 et 2000. Et je pense que cela s'explique par le fait que beaucoup de travaux intéressants ont été réalisés dans le domaine de la bio-informatique pendant une longue période, mais sous des noms différents. À l'époque, cela ne relevait pas de l'IA. Divers termes ont fait leur apparition puis ont disparu, comme la chimie computationnelle, et l'accent était largement mis sur les simulations.

De plus, il existe une longue histoire de simulations et de prédictions, de prédictions sous forme de simulations ou d'apprentissage automatique dans ce domaine particulier. Je pense donc que nous sommes plus proches de la période 2006-2007, où le cycle de hype effréné a peut-être connu son apogée avant de s'éteindre. Mais nous assistons en quelque sorte à une démocratisation de la découverte de médicaments, à une démocratisation de la biologie computationnelle, qui devient plus accessible à tous, et à des contributions de nombreuses organisations différentes à l'échelle mondiale. Je pense donc davantage à l'essor de YouTube et de Facebook, et à l'ère de l'Internet 2.0, qu'à la bulle Internet qui a précédé.

Ray : Waouh. Ça me fait sourire. Donc, de 2006 à 2007 ? Je pensais que tu allais dire de 2001 à 2002 ! On est en avance, mais on y arrive.

Pouvez-vous nous parler des principaux multiplicateurs de force, les technologies clés qui nous ont permis de nous positionner idéalement pour cette période de 2006 à 2008, où nous allons vraiment accélérer et commencer à avoir un impact positif ?

Stephen : Curieusement, je ne pense pas que cette question puisse trouver une réponse dans la technologie. Je pense vraiment que cela tient à la culture des scientifiques et à leur capacité d'adaptation et de contribution. De plus, les petites entreprises et les entreprises de biotechnologie ont manifesté le désir de se lancer à l'échelle mondiale, en dehors des pôles traditionnels.

Je pense qu'il s'agit davantage d'une culture de préparation et d'une mentalité des scientifiques envers les prédictions. C'est comme le changement dans la création de contenu qui a commencé en 2007, lorsque les gens sont passés du statut de consommateurs d'Internet à celui de créateurs de contenu Internet. Les scientifiques du monde entier, au lieu de se contenter de générer des connaissances scientifiques fondamentales, mettent leurs idées en pratique et créent des thérapies.

Ce sont tous les étudiants et les professeurs des laboratoires du monde entier qui mènent ces recherches extraordinaires et font ces découvertes remarquables sur les effets de certaines protéines sur les cellules. Ce sont eux qui cherchent à passer à l'étape suivante et qui posent les questions importantes, telles que « Pourquoi ne serais-je pas celui qui mettra au point un nouveau traitement ? Pourquoi ne serais-je pas celui qui fera bouger les choses ? »

Je pense que c'est cette envie qui nous motive, n'est-ce pas ? Si nous trouvons un moyen de démocratiser la découverte de médicaments, je pense que nous serons dans la même position que les entreprises Internet à l'époque où les gens étaient prêts pour cela.

Ray : On dirait qu'on est en train de créer un tout nouveau métaverse, Stephen. Si on le démocratise comme ça, on pourrait avoir, par exemple, un brillant étudiant en doctorat sur un campus en Afrique du Sud qui travaille sur une plateforme de biotechnologie basée en Amérique du Nord et qui apporte vraiment de la valeur à ce processus. Est-ce que c'est le monde potentiel qu'on va mettre en place dans un ou deux ans, ou est-ce que c'est déjà en train de se produire ?

Stephen : Je pense que c'est déjà le cas, et cela suscite beaucoup d'enthousiasme et d'intérêt. Les chercheurs s'intéressent principalement aux maladies rares, et vous avez mentionné l'Afrique du Sud, donc aussi les maladies tropicales. Cela oblige peut-être l'industrie à élargir le champ de ses recherches.

Ray : Quels sont vos exemples préférés d'équipes ou d'organisations individuelles qui ont vraiment un impact en ce moment ?

Stephen : Eh bien, j'aimerais dire « nous » (rires).

Ray : Bien sûr, je sais que vous l'êtes !

Stephen : Bien sûr, il existe de nombreuses autres entreprises dans ce domaine que nous tenons en haute estime. Mais c'est ce à quoi nous aspirons et ce à quoi nous voulons contribuer. C'est précisément pour cette raison que nous avons mis en place des programmes de partenariat universitaire. Nous pensons que la formation et l'expérience acquise sont inestimables pour nos partenaires, les étudiants et les post-doctorants avec lesquels nous travaillons. Cela leur permet de se familiariser avec un secteur d'activité, suscite leur intérêt et leur donne envie de continuer à progresser.

Nous avons publié un article d'archives en collaboration avec deux autres institutions universitaires. L'une d'entre elles nous a aidés sur le plan technologique et a développé une nouvelle technologie permettant d'identifier des cibles protéiques grâce à Bo Wang, du Vector Institute, son étudiant Haotian et le post-doctorant Mehran, qui nous ont aidés dans le cadre d'un programme de découverte de médicaments contre la COVID-19 visant à identifier des cibles. Nous avons ensuite utilisé la technologie que nous avons développée, Polyform DB, une base de données sur la réorientation des médicaments qui fonctionne en prédisant les interactions entre les médicaments et les cibles d'environ 10 000 composés testés cliniquement.

Il s'agit donc de composés qui ont fait l'objet d'essais cliniques de phase I, II ou III, ou qui ont été approuvés par la FDA, et qui concernent environ 8 000 protéines humaines. Il s'agit en quelque sorte d'une base de données précalculée de toutes les interactions entre les médicaments et leurs cibles. Nous avons croisé leurs cibles avec nos prédictions et, avec l'aide d'un autre groupe universitaire, Costin Antonescu de l'université Ryerson et Michael, un post-doctorant de son groupe, ils ont mis au point un test précis d'infectiosité virale utilisant de vraies cellules humaines et des virus vivants afin de pouvoir réellement observer des milliers de composés par rapport à certains robots. Nous pouvons voir que ce criblage scientifique à faible débit est précis. Nous avons donc pu acheter environ 26 composés à tester sur la base de la production, et nous avons obtenu quelques résultats positifs. Cela a conduit à la découverte d'un nouveau candidat pour le COVID-19, mais au lieu d'agir directement sur le virus, il agit sur les cellules humaines. L'espoir avec cette approche est qu'il pourrait être plus résistant aux mutations si les expériences ultérieures montrent qu'il s'agit bien d'un candidat viable pour les essais cliniques.

Je tenais à souligner ce point, car je pense que c'est un bon exemple de l'intérêt des instituts universitaires pour le COVID-19. Lorsque la pandémie a frappé pour la première fois en mars-avril 2020, tout le monde voulait apporter son aide dans ce domaine. Nous avons donc établi des partenariats avec plusieurs instituts universitaires, et chacun a joué un rôle essentiel. Nous avons non seulement trouvé des composés pouvant être réutilisés, mais aussi de nouvelles cibles qui pourraient s'avérer utiles à mesure que nous progressons et peut-être développer de nouveaux composés qui pourraient être efficaces contre de futurs coronavirus ou d'autres virus.

Ray : Plus vous parlez de cet exemple où vous avez établi ces merveilleux partenariats avec certaines institutions universitaires, plus cela ressemble à la façon dont certains logiciels sont développés. Nous assistons à une convergence considérable où les entreprises biotechnologiques modernes ont un rythme de fonctionnement qui n'est pas différent de celui des meilleures entreprises de logiciels basés sur le cloud.

Stephen, y a-t-il eu beaucoup de changements dans les détails de l'exécution ? Ainsi, lorsque vous vous associez à un établissement universitaire, par exemple en Nouvelle-Zélande, et que vous devez mettre les choses en route et effectuer toutes les tâches fastidieuses en matière de diligence raisonnable, de certaines exigences légales et de tout autre processus habituel, avez-vous apporté des changements importants dans votre façon de travailler avec vos collaborateurs et d'accélérer la mise en place et l'organisation des choses ?

Stephen : Il y avait certainement un obstacle plus important au début. Si nous n'avions pas été aussi persévérants dans notre collaboration avec les universitaires et dans notre volonté de comprendre ces processus, les choses auraient peut-être été un peu différentes.

Heureusement, nous disposons d'une excellente équipe de partenariat stratégique qui s'est vraiment engagée à faire connaître notre technologie et à collaborer avec des universitaires pour aider à co-développer des technologies et les tester sur le terrain afin de nous aider à obtenir une validation, etc. Les premières étapes ont certes été difficiles, mais après un certain temps, nous avons compris ce que les institutions universitaires recherchaient. Et comme ces institutions sont généralement à la recherche de recherches plus appliquées et de partenariats, elles sont de plus en plus intéressées.

Cet intérêt provient également des universités et des programmes gouvernementaux, qui font tout leur possible pour promouvoir les collaborations entre l'industrie et le monde universitaire. Je sais qu'au Canada, nous avons la chance de pouvoir compter sur de nombreuses ressources de grande qualité qui nous aident à financer certains programmes de recherche collaborative. Cela nous donne l'occasion de nous lancer dans des projets que nous n'aurions peut-être pas pu réaliser autrement.

Pour les universitaires, cela leur fournit ce dont ils ont besoin pour développer leurs recherches et obtenir des publications. Quant aux étudiants, ils bénéficient d'une opportunité unique qui leur offre de meilleures chances de réussite à la fin de leurs études. Je pense donc que cela vient de nombreux horizons différents, et pas seulement d'une plus grande réceptivité de la part des instituts universitaires et de leurs divisions de gestion de la propriété intellectuelle, qui font également preuve d'une flexibilité croissante. De plus, les programmes gouvernementaux contribuent considérablement à ce processus. Enfin, il existe toujours un besoin très fort en sciences fondamentales, mais ce besoin est équilibré par le besoin en sciences appliquées. C'est donc l'évolution et l'amélioration de l'ensemble de l'écosystème qui rendent les choses plus accessibles.

Ray : En ce qui concerne le milieu universitaire et gouvernemental, y a-t-il eu des changements culturels importants au cours des deux dernières années qui ont permis de réduire la bureaucratie ? Je sais que par le passé, il était difficile de mettre les choses en place et d'amener les gens à agir. Mais est-il désormais possible de conclure des partenariats, d'agir et d'obtenir des résultats ?

Stephen : Les formalités administratives ne sont jamais tout à fait réglées. Je ne sais pas si des améliorations systématiques ont été apportées ou si notre équipe a simplement appris à mieux les gérer, mais elles ne constituent en tout cas plus vraiment un obstacle. Je pense que notre volonté est plus forte que les formalités administratives, quelles qu'elles soient, et que même lorsqu'elles se présentent, nous parvenons à les surmonter.

Ray : Est-il juste de dire qu'au sein de Cyclica, ce flux de travail intelligent est désormais essentiel à votre quotidien, car vous vous tournez plus que jamais vers l'extérieur ?

Stephen : Lorsque nous étions beaucoup plus petits, entre sept et dix personnes, il était certainement difficile de gérer et de suivre tout cela. Mais vous savez, à mesure que nous avons grandi, surtout maintenant que nous sommes plus de 50 personnes, il est un peu plus facile de confier à différentes personnes la responsabilité de surveiller différents aspects. Et parmi ce groupe de 50 personnes, beaucoup s'intéressent particulièrement à certains éléments tels que les programmes gouvernementaux, les instituts universitaires et les partenariats. En tant qu'organisation, cela nous aide certainement à rester vigilants, car en tant qu'individus, cela peut être difficile à faire.

Ray : Pour nous amuser un peu et envisager l'utopie, nous avons ce tout nouveau paradigme dans le domaine des biotechnologies et des sciences de la vie d'un point de vue commercial dans son ensemble. Comme vous l'avez mentionné précédemment, nous nous approchons en quelque sorte de l'ère Internet de 2006 à 2007 dans ce domaine.

À quoi ressemblent les modèles de monétisation ? Parce que j'ai la tête qui tourne quand je pense à la manière dont on peut développer une entreprise aujourd'hui. Existe-t-il de nouvelles méthodes révolutionnaires permettant d'augmenter les revenus et de démocratiser la monétisation afin de permettre à un plus grand nombre d'acteurs de s'impliquer et de tirer profit d'un travail de qualité et d'une influence positive sur les soins de santé ?

Littéralement, on se déchaîne avec ça sur Stephen — pas seulement en tant qu'industrie, mais dans l'espace dans son ensemble. Y a-t-il certains modèles de monétisation qui sont considérés comme des idées farfelues ou qui sont déjà en train de se concrétiser ?

Stephen : Entre 2007 et 2008, les créateurs de contenu YouTube ont commencé à se faire connaître, les utilisateurs Facebook ont explosé et différents modèles de monétisation ont été envisagés. Les modèles qui ont réussi dans ce domaine sont ceux qui ont profité à la fois aux plateformes et aux contributeurs individuels. L'essor des stars YouTube en est un parfait exemple.

Je pense que la solution émergente qui va se dégager de ce domaine suivra des lignes similaires. Les universitaires qui élaborent les bases scientifiques, identifient de nouvelles cibles intéressantes et développent des modèles de maladies et des modèles cellulaires de maladies sont ceux qui vont pouvoir tirer profit de ces recherches. Donc oui, je pense vraiment qu'il y a beaucoup d'espoir et d'enthousiasme quant à la manière dont les biotechnologies vont s'implanter et se développer au cours des cinq à dix prochaines années.

Ray : Avec l'essor rapide de la technologie blockchain, qui a permis d'accélérer considérablement le développement de la technologie des registres décentralisés, et, à un niveau plus républicain, la forte hausse du Bitcoin et de l'Ethereum, on assiste en quelque sorte à un retour à la situation de 1998. Nous discutons actuellement avec des partenaires potentiels pour voir comment, si le développement d'un médicament était démocratisé, on pourrait potentiellement inciter, par exemple, un chercheur universitaire en début de carrière qui dispose d'un algorithme prédictif utilisé par une entreprise de biotechnologie X. Mais ils sont désormais plus ouverts à l'idée de partager cela sur une place de marché où, si vous êtes un esprit brillant dans une institution en Afrique du Sud, par exemple, il vous suffit de télécharger votre idée et elle est tokenisée. Elle est stockée sur la blockchain.

Donc, si l'entreprise X Biotech, basée à San Diego, déclare : « Nous apprécions grandement ce modèle prédictif, car il permet à notre entreprise d'atteindre cet objectif. Nous allons l'enregistrer et vous récompenser. » Pensez-vous que des domaines tels que la blockchain et les jetons non fongibles (NFT) vont s'étendre au secteur des biotechnologies ?

Stephen : Eh bien, c'est certainement une idée intéressante que d'avoir une sorte d'App Store dédié à la bioinformatique. Nous devrions peut-être nous pencher là-dessus et lancer quelque chose en parallèle.

Ray : Eh bien, si nous faisons le lien avec cette histoire sur Internet, c'est inévitable, n'est-ce pas ? Voyez-vous quelque chose à un niveau plus large, en dehors de votre organisation, d'une manière générale, avec une vue d'ensemble à 500 000 pieds d'altitude, est-ce que cela fait l'objet de discussions ?

Stephen : Dans le cas particulier de la blockchain, je dirais que c'est un peu moins vrai. Mais j'ai certainement entendu parler de l'utilisation de la blockchain pour les cahiers électroniques. Je ne peux pas vraiment me prononcer sur la manière dont cela se passe concrètement, mais c'est un moyen de garantir que les informations ne sont pas modifiées dans le cadre d'expériences et d'autres éléments enregistrés, au moins dans le but d'être audités ou vérifiés par la suite. J'ai donc entendu parler d'applications de la blockchain dans ces domaines.

Ray : Eh bien, Stephen, ce fut un plaisir de discuter avec vous. Nous pourrions probablement parler pendant des heures, car je trouve que ce que vous et votre équipe accomplissez chez Cyclica est formidable. Vous évoluez dans un marché qui nous passionne profondément chez PatSnap. Nous comptons plus de 1 000 clients qui opèrent directement ou indirectement dans ce domaine. Nous vous sommes très reconnaissants d'avoir participé à Innovation Capital aujourd'hui.

Maintenant, pour conclure avec une petite série de questions amusantes, complètement hors sujet : croyez-vous ou non à l'existence d'une forme de vie extraterrestre ?

Stephen : Croyant. Sans aucun doute.

Ray : Pourquoi ?

Stephen : Je pense que la vie extraterrestre n'est probablement pas telle que nous l'imaginons. Mais dire qu'il n'y a rien qui puisse ressembler à une bactérie quelconque, sur une planète quelque part, c'est un peu exagéré. Chaque fois que j'entends quelque chose de nouveau sur le monde de l'astronomie, c'est que l'univers est dix fois plus grand que ce que nous pensions auparavant. Donc, si la taille de l'univers continue d'être plus grande que ce que nous avions prévu, alors la probabilité de l'existence d'extraterrestres doit être plus grande que ce que nous avions prévu également.

Ray : Où en sera, selon vous, le domaine de la biologie computationnelle en 2030 en termes de délai de mise sur le marché, de coût des médicaments et de développements prometteurs ?

Stephen : Je pense que sur le plan technologique, il y aura beaucoup plus d'expériences menées uniquement dans le but de former des modèles. Je pense aux clusters de cloud computing comme AWS et Google Cloud, qui ont tendance à avoir ces instances qui sont utilisées pendant les temps d'arrêt, lorsque personne n'achète les machines virtuelles, pendant cette période particulière de location des machines virtuelles, les temps d'arrêt sont simplement utilisés pour d'autres types de calculs. Je pense que les équipements de laboratoire, au lieu de se concentrer sur des programmes de recherche spécifiques, en particulier dans le domaine de la robotique, pourraient simplement générer des données dans des espaces obscurs contenant des protéines à l'étude, dans le seul but de générer des données.

En ce qui concerne la vision à long terme des résultats pour les patients, je pense que l'ensemble du secteur, en particulier s'il met l'accent sur le développement des biotechnologies naissantes issues des universités, profitera aux maladies les plus négligées. Je pense également qu'il y aura beaucoup plus de soutien pour les maladies tropicales, les maladies rares et peut-être les maladies un peu moins courantes. Je pense que cela aura un impact important pour ces patients particuliers, peut-être dans des domaines qui n'étaient pas auparavant ciblés par les médicaments. Cette approche offre un grand potentiel pour élargir le champ de ce que les gens considèrent comme pouvant faire l'objet d'un traitement médicamenteux ou comme des opportunités thérapeutiques.

Ray : Selon les chiffres classiques, le coût moyen de développement d'un médicament est de 2,5 milliards de dollars, pour une durée moyenne de développement de huit à dix ans. Où en serons-nous en 2030 en termes de temps et de coûts, selon vous ?

Stephen : Je pense effectivement qu'il y aura un impact. Mais je pense aussi qu'en multipliant les essais et les erreurs, il y aura beaucoup plus d'erreurs. Je suppose que cela augmentera la diversité des choses. Mais pour donner un chiffre précis sur le coût que cela pourrait représenter, il devrait certainement être inférieur, mais il est difficile de donner un chiffre précis sur l'ampleur de cette réduction. J'aimerais dire qu'il serait réduit de moitié.

Ray : Nous verrons bien. Stephen, j'ai beaucoup apprécié notre échange aujourd'hui et j'ai hâte de vous revoir bientôt. Merci beaucoup.

Stephen : Merci.