Le SARM est de plus en plus courant dans les établissements de soins de santé – L’IA vient-elle de fournir un outil pour riposter ?

La première révolution médicale

Jusqu'à l'invention de la pénicilline, le premier antibiotique, une simple infection pulmonaire ou même une petite coupure, pouvait s'avérer mortelle. C’était simplement une réalité avec laquelle les gens vivaient (et mouraient).

Depuis longtemps, de nouvelles classes d’antibiotiques sont régulièrement découvertes, permettant ainsi de tenir à distance la menace d’infection bactérienne. Récemment, l’émergence de bactéries résistantes aux antibiotiques a remis en question la possibilité que cela dure encore longtemps.

La résistance aux antimicrobiens (RAM) a directement causé 1.27 million de décès en 2019, dont 1 victime sur 5 est un enfant de moins de 5 ans. Et 4.95 millions de personnes décédées en 2019 souffraient d’infections pharmacorésistantes, telles que les infections des voies respiratoires inférieures, de la circulation sanguine et intra-abdominales.

Cela est particulièrement problématique dans les hôpitaux, où l’utilisation accrue d’antibiotiques et l’affaiblissement du système immunitaire font de la résistance aux antibiotiques une cause majeure d’infections et de décès.

Dans la course aux armements entre les nouveaux antibiotiques et la résistance aux antibiotiques, les bactéries gagnent. La dernière découverte d’une nouvelle classe d’antibiotiques arrivée sur le marché remonte à 1987.. Dans l’ensemble, l’approche à l’ancienne consistant à examiner aveuglément des dizaines de milliers de produits chimiques pour déterminer leur potentiel antibiotique ne fonctionne plus.

Source: Groupe Réagir

SARM – Le désastre imminent des soins de santé

Staphylococcus aureus est une bactérie vivant sur la peau. Les Staphylococcus aureus résistants à la méthicilline (SARM) sont des bactéries résistantes aux antibiotiques courants comme la méthicilline, qui sont souvent associées à une résistance à d'autres traitements/antibiotiques.

La plupart des infections à SARM surviennent dans les hôpitaux ou dans les établissements de soins de santé, par exemple, les centres de dialyse ou les maisons de retraite. Il peut également se propager par contact peau à peau.

En raison de sa présence sur la peau, Staphylococcus aureus est susceptible de provoquer des infections après une intervention chirurgicale ou des plaies ouvertes.

Les infections à SARM tuent plus de 10,000 80,000 personnes chaque année, rien qu'aux États-Unis, avec plus de XNUMX XNUMX infections. Les souches de SARM ont également commencé à devenir résistantes à la vancomycine, l'un des derniers antibiotiques efficaces disponibles contre ce virus.

Cela augmente le spectre du SARM invincible et répandu et le retour à l’ère pré-antibiotiques des infections bactériennes mortelles courantes.

L'IA à la rescousse

Si le dépistage aveugle de milliers de candidats pour de nouveaux antibiotiques ne fonctionne plus, qu’en est-il du dépistage intelligent de millions de candidats ? C'est la tâche Chercheurs du MIT dirigés par un chercheur James Collins travaille sur.

Les chercheurs du MIT utilisent un modèle d’IA d’apprentissage profond pour prédire quelles molécules chimiques pourraient avoir une activité antibactérienne.

Premièrement, ils ont enseigné au modèle d’IA quels modèles chimiques sont connus pour avoir une activité antibactérienne. Et puis, l’IA peut vérifier des millions de molécules potentielles pour un potentiel similaire.

Pour cela, le chercheur a d’abord testé l’activité antibiotique de 39,000 XNUMX molécules sur le SARM et a montré le résultat à l’IA, qui l’a utilisé pour apprendre ce qui fonctionne.

Ils ont ensuite développé une méthode appelée « recherche arborescente de Monte Carlo » pour rendre les résultats de l'IA plus compréhensibles pour les chercheurs en montrant quelle sous-section de la nouvelle molécule antibiotique potentielle devrait être responsable du résultat médical.

Travail d'équipe IA

Il ne suffit pas de trouver ce qui peut tuer les bactéries nocives. Il est également important de vérifier que les composés chimiques sont sans danger pour les patients.

Suivant le même principe que pour la découverte des antibiotiques, les chercheurs ont également entraîné 3 modèles d’apprentissage profond différents pour prédire la toxicité sur 3 types de cellules humaines.

Les résultats des découvertes seraient ensuite combinés avec ceux de l'IA axée sur le SARM afin de trouver des composés qui sont de bons candidats à la fois pour l'activité antibiotique et le profil de sécurité.

Cela illustre bien comment la découverte de médicaments basée sur l’IA repose non seulement sur les humains qui guident l’IA, mais aussi de plus en plus sur l’IA qui « se parle » et collabore.

Des résultats impressionnants

Les chercheurs du MIT ont analysé pas moins de 12 millions de composés chimiques. Il est important de noter que ces 12 millions de composés étaient tous disponibles dans le commerce, ce qui facilitait leur commercialisation en tant que nouveaux antibiotiques, la chaîne d'approvisionnement pour leur fabrication étant déjà en place.

Grâce à l'IA, une liste restreinte de 280 composés candidats a été établie. Ils ont été testés contre le SARM, et deux composés de la même classe se sont révélés capables de réduire le SARM d'un facteur 2. Les antibiotiques agissent en perturbant le gradient électrochimique de la membrane cellulaire de la bactérie.

C'est un nouveau succès pour l'équipe de recherche, qui avait précédemment trouvé 2 nouveaux antibiotiques potentiels (mais pas utiles contre le SARM), halicine et aubicine.

Ce que cela signifie pour les futures découvertes de médicaments

De la pharmacie à la biotechnologie, retour à la pharmacie ?

La découverte de médicaments a toujours été au cœur des modèles des entreprises pharmaceutiques. C'est un élément essentiel de leur activité, car les brevets expirent et de nouveaux médicaments exclusifs sont nécessaires pour maintenir les flux de trésorerie et financer la recherche et le développement ainsi que les progrès médicaux.

Malheureusement, l’approche consistant à examiner le monde naturel et les molécules artificielles à la recherche de nouveaux composés actifs est quelque peu au point mort.

Cela a été le moteur de l’essor des entreprises de biotechnologie, qui utilisent des molécules biologiques comme des anticorps au lieu de produits chimiques. Et pourquoi les sociétés pharmaceutiques de la « vieille école » ont été contraintes d’acquérir des startups de biotechnologie, transformant nombre d’entre elles en « machines de marketing » plutôt qu’en entreprises axées sur la R&D comme elles l’étaient auparavant.

Si la découverte de médicaments chimiques connaît plus de succès, nous pourrions voir davantage de sociétés pharmaceutiques recommencer à dépenser davantage en R&D et moins en acquisitions biotechnologiques.

Cela pourrait avoir des conséquences considérables pour l’industrie, notamment :

• Un retour à la croissance pour les sociétés pharmaceutiques innovantes.
• Le potentiel de baisse des enchères pour les startups de biotechnologie.
• Le potentiel de découverte de nouveaux médicaments chimiques « à succès » pour des maladies mal traitées.

La fusion de la technologie et de la pharmacie

Un autre impact de la découverte réussie de médicaments basée sur l’IA est que le processus est de moins en moins lié à la médecine et à la chimie et davantage aux données et aux réseaux neuronaux.

Cela ouvre la voie à des relations plus approfondies entre les entreprises technologiques et les sociétés pharmaceutiques. Potentiellement, l’IA en matière de découverte de médicaments pourrait devenir aussi transformatrice pour l’industrie que l’émergence de la biotechnologie dans les années 1980.

On pourrait également assister à l’émergence de nouvelles coentreprises entre géants pharmaceutiques et géants de l’IA. Par exemple, une entreprise de découverte de médicaments détenue en copropriété par des géants comme Pfizer ou Novartis du côté pharmaceutique et Google ou Microsoft du côté de l’IA.

Si la découverte de médicaments IA s’avère devenir l’un des principaux centres de profit de l’IA, nous pourrions également voir des entreprises technologiques acquérir des sociétés pharmaceutiques.

La puissance des données

Les IA sont construites grâce à d’énormes trésors de données. Les recherches du MIT ne faisaient pas exception et reposaient principalement sur Base de données Mcule. Le domaine des fournisseurs de données numériques pour la découverte de médicaments en est encore à ses débuts et est dominé par des startups à but non lucratif et privées.

À long terme, nous assisterons probablement à une consolidation du secteur et peut-être à l’émergence de quelques fournisseurs clés qui seront également introduits en bourse.

Prédire la toxicité « In-silico »

Un dernier effet de la découverte du MIT est de repenser la façon de prévoir la toxicité chimique et le succès des essais cliniques.

Jusqu'à récemment, l'expérience et l'intuition humaines ainsi que les modèles animaux et in vitro étaient les méthodes de prédilection pour évaluer les risques associés à une nouvelle molécule.

L’apprentissage profond de l’IA pourrait non seulement aider à trouver la nouvelle classe d’antibiotiques, mais également à prédire quels candidats sont susceptibles d’être non toxiques. Cela ouvre la possibilité d’utiliser l’IA pour réduire le nombre de médicaments échouant à la phase I des essais cliniques, conçus pour tester leur toxicité chez l’homme.

Environ 35 % des produits chimiques candidats échouent lors de la phase I des essais cliniques. Réduire ce chiffre permettrait d'accélérer le développement des médicaments et de réduire les coûts moyens de R&D.

Source: Duxin Sun et al.

Les 3 principales entreprises bénéficiant de la découverte de médicaments par l'IA

Cette découverte du MIT a été financée par des fondations, des organisations à but non lucratif et des fonds publics. Cependant, les investisseurs peuvent s’exposer à la découverte de médicaments basée sur l’IA grâce à plusieurs actions cotées en bourse.

De manière générale, les entreprises spécialisées dans les systèmes numériques et d’IA pour la découverte de médicaments peuvent être organisées à deux échelles :

1. Informatique ou intégration de données humides (biologiques).
2. Stade de développement, partenariats et ressources informatiques/données.

Source: Récursivité

(Les entreprises figurant sur cette liste vont utiliser des outils d’IA, comme par exemple le matériel NVIDIA. Cependant, nous nous concentrons ici sur les entreprises purement spécialisées dans la découverte de médicaments et non sur l’IA en général).

1. Schrodinger, Inc.

Schrodinger, Inc. (SDGR -0.05%)

La société se spécialise dans les modèles basés sur la physique pour trouver la meilleure molécule possible pour un objectif donné, en équilibrant des mesures contradictoires telles que la puissance, la solubilité, la demi-vie, la synthétisabilité, etc.

Il utilise également l’apprentissage automatique, mais l’ajout d’un modèle basé sur la physique lui permet d’être testé dans des domaines entièrement nouveaux pour lesquels aucun ensemble de données n’existe pour « entraîner » l’IA. Cela permet à Schrödinger de passer d’un milliard de molécules potentielles à seulement 1 candidats solides en quelques jours, exclusivement grâce au calcul numérique.

Source: Schrodinger

Schrödinger a signé avec Bayer un accord de collaboration de 5 ans en 2020 pour un chiffre d'affaires de 10 millions de dollars. L'idée de l'accord est d'utiliser la technologie Schrödinger avec les modèles de prédiction in silico de Bayer.

Un autre partenariat récent est avec Lily en 2022., avec jusqu'à 425 millions de dollars de paiements d'étape au total pour une découverte réussie.

Les collaborations passées comprenaient Takeda, Sanofi Bristol Myers Squibb et d'autres petites sociétés pharmaceutiques.

Dans l'ensemble, Schrödinger construit un portefeuille croissant, comprenant de plus en plus de molécules exclusives et en pleine propriété. Elle compte actuellement 8 produits dans son catalogue pipeline propriétaire, dont 2 en phase I d’essais cliniques. Et 23 produits dans des programmes en partenariat et collaborations, dont 5 en phase I et 3 en phase II d'essais cliniques.

Source: Schrodinger

Bien qu’elle n’ait pas encore de revenus, l’entreprise n’est toujours pas rentable et se concentre sur son expansion et ses dépenses en R&D pour améliorer sa technologie. Cela ne devrait pas être une préoccupation majeure à court terme, car la société dispose de plusieurs années d'activité en espèces dans son bilan.

Elle envisage également de s'étendre à de nouveaux segments au-delà de la découverte de médicaments, comme les produits biopharmaceutiques complexes ou même des matériaux comme les produits chimiques, les batteries ou les polymères.

Source: Schrodinger

Les investisseurs voudront garder un œil sur les nouvelles collaborations, car elles refléteront les avancées de la technologie de Schrödinger, telles qu'évaluées par les leaders du secteur, ainsi que le succès possible de l'expansion de la technologie de base vers de nouveaux marchés.

2. Exscientia

Exscientia SA (EXAI + 0%)

L'entreprise utilise l'IA pour développer thérapies de précision.

Il exploite une technologie de découverte de médicaments IA « complète » avec un logiciel dédié à chaque étape du processus de découverte de médicaments.

Source: Exscientia

Au lieu de s’intéresser aux molécules existantes, les chercheurs d’Exscientia IA de conception de précision conçoit des molécules personnalisées pour correspondre à la cible trouvée par son IA cible de précision.

La technologie d'Exscientia réduit de 70 % le temps nécessaire pour passer d'une cible biologique à la recherche d'un médicament correspondant et constitue un processus 80 % plus efficace en termes de capital.

Cela a abouti à 4 composés à des stades cliniques précoces, se concentrant principalement sur l'oncologie (cancer) et les maladies inflammatoires. La société affiche un potentiel de jalons pré-commerciaux de 4 milliards de dollars.

Source: Exscientia

La société commence tout juste à enregistrer des revenus, mais son bilan présente une longue fuite de liquidités qui vaut plusieurs années de dépenses.

En se situant à la jonction entre la découverte de médicaments par l’IA et la thérapie de précision, Exscientia vise deux des domaines les plus transformateurs de la science médicale. À en juger par le partenariat établi avec Merck, Sanofi et BMI, d’autres sociétés pharmaceutiques établies considèrent également que la plateforme présente un grand potentiel.

3. Récursion Pharmaceuticals, Inc.

Récursion Pharmaceuticals, Inc. (RXRX + 0.2%)

Plus les IA s’impliqueront dans la découverte et le développement de médicaments, plus les données deviendront précieuses pour leur formation.

La biologie est un domaine extrêmement complexe, avec des données intégrées et vérifiées parfois rares. Il s’agit d’un problème sérieux lorsque toute erreur créera des biais, des limitations et des erreurs dans l’IA, qui devra peut-être ensuite être recyclée à partir de zéro.

Un autre problème est la quantité considérable de données nécessaires, bien au-delà de la capacité des humains à les générer et à les organiser manuellement.

C’est pour répondre à ces limitations que Recursion a construit sa plateforme, avec pour mission de «transformer la découverte de médicaments en un problème de recherche». Il combine laboratoire sec (in silico) et laboratoire humide (échantillons biologiques) avec :

• Une bibliothèque de 1.7 millions de petites molécules.
• Cultures cellulaires, édition génétique CRISPR, facteurs solubles, virus vivants, etc.
• Un flux de travail robotique de laboratoire automatisé qui permet de réaliser jusqu'à 2.2 millions d'expériences chaque semaine.
• Microscopes et systèmes de séquençage à haut débit.
• Flux vidéo continus des caméras, enregistrant des mesures holistiques des comportements animaux.
• Ressources informatiques avancées, qui ont généré plus de 21 pétaoctets de données propriétaires de haute dimension.
• Données ADMET (absorption, distribution, métabolisme, excrétion et toxicologie).

Cela crée des ensembles de données uniques (et massifs) de protéomique (niveaux de protéines), de transcriptomique (niveaux d'ARNm), de phénomique (morphologie cellulaire), d'ADMET et de « in vivonomics » (comportements animaux). La société cherche également à ajouter à l’avenir la métabolomique et la génomique à ses ensembles de données.

Cette richesse de données permet d’accéder à un plus large éventail de candidats à un stade précoce, mais à un entonnoir plus étroit à l’avenir. Cela devrait également accélérer le développement de candidats médicaments à fort potentiel.

Source : Récursivité

Le potentiel de cette approche n’échappe pas aux géants pharmaceutiques, avec des collaborations croissantes dans les domaines de la fibrose (Bayer) et des neurosciences (Roche-Genentech).

L'entreprise a également reçu un investissement de 50 millions de dollars par NVIDIA en juillet 2023, le nouveau géant du matériel informatique IA. C'était juste après Recursion a acquis en mai 2023 les startups précliniques axées sur la chimie médicamenteuse, Cyclica et Valance, pour un total de 87.5 M$.

Au total, la société envisage 13 milliards de dollars d'étapes potentielles dans plus de 50 programmes possibles, plus des redevances.

Les partenariats avec des sociétés technologiques (NVIDIA) et pharmaceutiques (Bayer, Roche), ainsi que les acquisitions de petites startups spécialisées dans le domaine de l'IA, pourraient indiquer que Recursion est en train de devenir une clé de voûte de l'industrie et un acquéreur en série potentiel, avec pour objectif de devenir l'une des premières entreprises à faire évoluer les données biologiques jusqu'à un volume jamais égalé.