Le MRSA devient de plus en plus fréquent dans les établissements de santé – L’IA a-t-elle simplement fourni un outil pour lutter contre lui ?

La première révolution médicale

Until the invention of penicillin, the first antibiotic, a simple lung infection or even a small cut, could turn out to be deadly. This was simply a fact of life people lived (and died) with.

Pendant longtemps, de nouvelles classes d’antibiotiques ont été régulièrement découvertes, garantissant que la menace des infections bactériennes reste à distance. Récemment, l’émergence de bactéries résistantes aux antibiotiques a remis en question la pérennité de cette situation.

La résistance aux antimicrobiens (RAM) a directement causé 1,27 million de décès en 2019, dont 1 victime sur 5 était un enfant de moins de 5 ans. Et 4,95 million de personnes décédées en 2019 souffraient d’infections résistantes aux médicaments, telles que les infections respiratoires basses, du sang et intra‑abdominales.

Cela pose un problème particulier dans les hôpitaux, où l’utilisation accrue d’antibiotiques et les systèmes immunitaires plus faibles font de la résistance aux antibiotiques une cause majeure d’infections et de décès.

Dans la course aux armements entre nouveaux antibiotiques et résistance aux antibiotiques, les bactéries gagnent. La dernière découverte d’une nouvelle classe d’antibiotiques ayant atteint le marché remonte à 1987. Dans l’ensemble, l’approche traditionnelle consistant à dépister à l’aveugle des dizaines de milliers de composés chimiques pour leur potentiel antibiotique ne fonctionne plus.

Source: ReAct Group

MRSA – Le désastre sanitaire imminent

Staphylococcus aureus is a bacteria living on the skin. Methicillin-resistant Staphylococcus aureus (MRSA) are bacteria resistant to common antibiotics like methicillin, which is often combined with resistance to other treatments/antibiotics.

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

En raison de sa présence sur la peau, le Staphylococcus aureus est un candidat probable à causer des infections après une chirurgie ou des plaies ouvertes.

Les infections à MRSA tuent plus de 10 000 personnes chaque année, rien qu’aux États‑Unis, avec plus de 80 000 infections. Les souches de MRSA ont également commencé à devenir résistantes à la vancomycine, l’un des derniers antibiotiques efficaces contre elle.

Cela élargit le spectre d’un MRSA largement incurable et le retour à l’ère pré‑antibiotique des infections bactériennes mortelles courantes.

L’IA à la rescousse

If screening blindly thousands of candidates for new antibiotics does not work anymore, what about screening millions of candidates intelligently? This is the task les chercheurs du MIT dirigés par le chercheur James Collins travaillent.

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

D’abord, ils ont enseigné au modèle d’IA quels motifs chimiques sont connus pour posséder une activité antibactérienne. Ensuite, l’IA peut examiner des millions de molécules potentielles à la recherche de potentiels similaires.

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

Ils ont ensuite développé une méthode appelée « Monte Carlo tree search » pour rendre les résultats de l’IA plus compréhensibles pour les chercheurs en montrant quelle sous‑section de la molécule d’antibiotique potentielle est censée être responsable du résultat médical.

Travail d’équipe de l’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 sûrs pour les patients.

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

Les résultats des découvertes seraient ensuite combinés avec ceux de l’IA axée sur le MRSA 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 alimentée par l’IA ne repose pas seulement sur les humains guidant l’IA, mais de plus en plus sur les IA qui « se parlent » entre elles et collaborent.

Résultats impressionnants

MIT’s researchers analyzed no less than 12 million chemical compounds. Importantly, all of these 12 million compounds were commercially available, making them easier to commercialize as new antibiotics, as the supply chain to manufacture them is already in place.

Avec l’aide de l’IA, une courte liste de candidats, 280 composés, a été établie. Ils ont été testés contre le MRSA, et deux composés de la même classe ont montré une réduction du MRSA d’un facteur 10. Les antibiotiques agissent en perturbant le gradient électrochimique de la membrane cellulaire des bactéries.

C’est un nouveau succès pour l’équipe de recherche, qui avait auparavant découvert deux nouveaux antibiotiques potentiels (mais pas utiles contre le MRSA), halicin et aubicin.

Ce que cela signifie pour les futures découvertes de médicaments

Du secteur pharmaceutique à la biotech et retour au secteur pharmaceutique ?

Drug discovery has always been at the core of pharmaceutical companies’ models. This is a vital part of the business, as patents expire and new exclusive drugs are needed to keep money flowing and to fund further R&D and medical progress.

Malheureusement, l’approche consistant à dépister le monde naturel et les molécules artificielles à la recherche de nouveaux composés actifs a quelque peu stagné.

Cela a été la force motrice de l’essor des entreprises biotech, qui utilisent des molécules biologiques comme les anticorps au lieu de produits chimiques. Et pourquoi les entreprises pharmaceutiques « old school » ont été contraintes d’acquérir des startups biotech, transformant beaucoup d’entre elles en « machines marketing » plutôt qu’en entreprises axées sur la R&D comme auparavant.

Si la découverte de médicaments chimiques devient plus réussie, nous pourrions voir davantage d’entreprises pharmaceutiques revenir à des dépenses accrues en R&D et réduire les acquisitions biotech.

This could have far-reaching consequences for the industry, including:

• Un retour à la croissance pour les entreprises pharmaceutiques innovantes.
• Le potentiel d’enchères plus faibles pour les startups biotech.
• Le potentiel de découvrir de nouveaux médicaments chimiques « blockbuster » pour des maladies mal traitées.

La fusion de la technologie et de la pharmacie

Another impact of successful AI-driven drug discovery is that the process is becoming less related to medicine and chemistry and more about data and neural networks.

Cela ouvre le champ à des relations plus profondes entre les entreprises technologiques et les entreprises pharmaceutiques. Potentiellement, l’IA de découverte de médicaments pourrait devenir aussi transformative pour l’industrie que l’émergence de la biotechnologie dans les années 1980.

Nous pourrions également voir l’émergence de coentreprises entre les géants pharmaceutiques comme Pfizer (PFE ) ou Novartis et les géants de l’IA comme Google ou Microsoft (MSFT ).

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

Le pouvoir des données

AIs are built thanks to massive treasure troves of data. The MIT research was no exception and relied mostly on the Mcule database. The field of digital data providers for drug discovery is still in its early stage and is dominated by non-profits and privately owned startups.

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

Prédire la toxicité « in silico »

One last effect of the MIT discovery is to rethink how to forecast chemical toxicity and clinical trial successes.

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

L’apprentissage profond de l’IA pourrait aider non seulement à trouver la nouvelle classe d’antibiotiques mais aussi 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, qui est conçue pour tester la toxicité chez l’homme.

Environ 35 % des composés candidats échouent à la phase I des essais cliniques. Réduire ce chiffre accélérerait le développement de médicaments et réduirait les coûts moyens de R&D.

Source: Duxin Sun et al

Les 3 meilleures entreprises bénéficiant de la découverte de médicaments par IA

This MIT discovery was funded by foundations, non-profit, and public funding. However, investors can get exposure to AI-driven drug discovery through several publicly traded stocks.

En général, les entreprises de systèmes numériques et d’IA pour la découverte de médicaments peuvent être organisées selon deux axes:

1. Computational versus intégration de données humides (biologiques).
2. Stade de développement, partenariats et ressources computationnelles/de données.

Source: Recursion

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

1. Schrödinger, Inc.

SDGR Graphique du prix

The company specializes in physics-based models to find the best possible molecule for a given goal, balancing out conflicting metrics like potency, solubility, half-life, synthesizability, etc.

L’entreprise se spécialise dans les modèles basés sur la physique pour trouver la meilleure molécule possible pour un objectif donné, en équilibrant des métriques conflictuelles telles que la puissance, la solubilité, la demi‑vie, la synthétisabilité, etc.

Elle utilise également l’apprentissage automatique, mais l’ajout d’un modèle basé sur la physique permet de le tester dans des domaines entièrement nouveaux pour lesquels aucun jeu de données n’existe afin d’« entraîner » l’IA. Cela permet à Schrödinger (SDGR ) de passer d’un milliard de molécules potentielles à seulement 8 candidats solides en quelques jours, exclusivement grâce à des calculs numériques.

Source: Schrodinger

Schrödinger a signé avec Bayer un accord de collaboration de 5 ans en 2020 pour un revenu de 10 M$. L’idée de l’accord est d’utiliser la technologie Schrödinger conjointement avec les modèles de prédiction in silico de Bayer.

Un autre partenariat récent est avec Lilly en 2022, avec jusqu’à 425 M$ de paiements de jalons totaux pour une découverte réussie.

Les collaborations passées incluaient Takeda, Sanofi (SNW.DE ) (SNY ), Bristol Myers Squibb et d’autres petites entreprises pharmaceutiques.

Dans l’ensemble, Schrödinger construit un portefeuille en croissance, incluant de plus en plus de molécules propriétaires et entièrement détenues. Elle possède actuellement 8 produits dans son pipeline propriétaire, dont 2 en phase I d’essais cliniques. Et 23 produits dans des programmes et collaborations partenaires, avec 5 en phase I et 3 en phase II d’essais cliniques.

Source: Schrodinger

Bien qu’elle ne génère pas encore de revenus, l’entreprise n’est toujours pas rentable, se concentrant sur l’expansion et les dépenses de R&D pour améliorer sa technologie. Cela ne devrait pas constituer une préoccupation sérieuse à court terme, car l’entreprise dispose de plusieurs années de trésorerie sur son bilan.

Elle envisage également de s’étendre vers de nouveaux segments au-delà de la découverte de médicaments, comme les biopharmaceutiques complexes ou même des matériaux tels que 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 potentiel d’étendre la technologie de base à de nouveaux marchés.

2. Exscientia

The company is using AI to develop des thérapies de précision.

Elle exploite une technologie de découverte de médicaments « full stack » basée sur l’IA avec des logiciels dédiés à chaque étape du processus de découverte.

Source: Exscientia

Au lieu d’examiner les molécules existantes, le Precision Design AI d’Exscientia conçoit des molécules personnalisées pour correspondre à la cible identifiée par son Precision Target AI.

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

Cela a abouti à 4 composés en phases cliniques précoces, se concentrant principalement sur l’oncologie (cancer) et les maladies inflammatoires. L’entreprise affiche un potentiel de jalons pré‑commercials de 4 Mds $.

Source: Exscientia

L’entreprise commence à enregistrer des revenus mais possède une trésorerie suffisante pour plusieurs années de dépenses sur son bilan.

En se situant à l’intersection de la découverte de médicaments par IA et de la thérapie de précision, Exscientia vise deux des domaines les plus transformateurs de la science médicale. D’après le partenariat établi avec Merck, Sanofi et BMI, d’autres grandes entreprises pharmaceutiques considèrent également que la plateforme possède un grand potentiel.

3. Recursion Pharmaceuticals, Inc

RXRX Graphique du prix

The more AIs get involved in drug discovery and development, the more data will become precious for training the AIs.

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

La biologie est un domaine extrêmement complexe, avec des données intégrées et vérifiées parfois rares. C’est un problème sérieux lorsqu’une erreur crée des biais, des limitations et des erreurs dans l’IA, qui devra alors être réentraînée à zéro.

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

Il est à ces limitations que Recursion a construit sa plateforme, avec la mission de « turning drug discovery into a search problem ». Elle combine laboratoire sec (in silico) et laboratoire humide (échantillons biologiques) avec:

• Une bibliothèque de 1,7 million de petites molécules.
• Cultures cellulaires, édition génétique CRISPR, facteurs solubles, virus vivants, etc.
• Un flux de travail robotisé de laboratoire automatisé permettant jusqu’à 2,2 million d’expériences chaque semaine.
• Microscopes à haut débit et systèmes de séquençage.
• Flux vidéo continus provenant de caméras, enregistrant des mesures holistiques des comportements animaux.
• Ressources informatiques avancées, qui ont généré >21 pétaoctets de données propriétaires à haute dimension.
• Données ADMET (absorption, distribution, métabolisme, excrétion et toxicologie).

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

Cette richesse de données permet une gamme plus large de candidats à un stade précoce mais un entonnoir plus étroit par la suite. Elle devrait également accélérer le développement de candidats médicaments à fort potentiel.

Source: Recursion

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

L’entreprise a également reçu un investissement de 50 M$ de NVIDIA en juillet 2023, le nouveau géant du matériel informatique IA. Cela est survenu juste après que Recursion a acquis en mai 2023 les startups précliniques axées sur la chimie des médicaments, Cyclica et Valance, pour un total de 87,5 M$.

Au total, l’entreprise envisage 13 Mds $ de jalons potentiels à travers plus de 50 programmes possibles, plus des redevances.

Les partenariats avec les entreprises technologiques (NVIDIA) et pharmaceutiques (Bayer, Roche), ainsi que les acquisitions de petites startups d’IA‑drugs, pourraient indiquer que Recursion devient une pierre angulaire de l’industrie et un acquéreur en série potentiel, avec pour objectif de devenir l’une des premières entreprises à mettre à l’échelle les données biologiques à un volume auparavant inégalé.