La modélisation prospective laisse présager un avenir radieux pour la découverte de médicaments basée sur l’IA

Prédire les interactions chimiques

La découverte de médicaments reposait initialement sur des tests aléatoires de nouveaux composés chimiques ou sur la recherche de composés actifs dans la nature et dans la médecine traditionnelle. Une version plus moderne de ce processus consiste à trouver une protéine cible dans le corps et à déterminer quelle molécule s'y fixerait (un « ligand »).

En règle générale, trouver le bon ligand implique un long processus d’essais et d’erreurs. Cependant, à mesure que la puissance de calcul augmente, la possibilité de simuler entièrement des protéines (constituées de dizaines de milliers, voire de millions d’atomes) au niveau atomique devient réaliste.

C’est encore plus réalisable maintenant que les algorithmes d’apprentissage profond permettent à l’IA de « deviner » la bonne réponse au lieu d’essayer une approche « par force brute » pour répondre à ces questions informatiques.

Un tel logiciel est AlphaFold, une IA propriétaire créée par DeepMind, une branche d'Alphabet/Google. Avec la sortie d'AlphaFold 3 en mai 2024, il vaut la peine d'examiner les résultats de la version précédente, AlphaFold 2, et s'ils correspondent réellement aux interactions protéine-ligand réelles.

Comment fonctionne AlphaFold ?

AlphaFold est conçu pour apprendre de la configuration 3D connue de 100,000 XNUMX protéines connues. À partir de là, la machine a commencé à trouver des règles et à deviner comment les protéines se replient.

Il s’agit d’une information cruciale car les protéines sont effectivement la machine qui fait fonctionner les cellules. Leur fonction dépend non seulement de leurs séquences (qui peuvent être connues à partir du génome) mais aussi de leur configuration 3D une fois la protéine repliée sur elle-même.

Source: Nouvelles médicales

Des technologies comme la résonance magnétique et la cristallographie aux rayons X permettent de trouver cette structure 3D, mais il s'agit d'un processus très coûteux et lent. De plus, ces techniques ne permettent pas de déterminer la configuration 3D de certaines protéines.

Enfin, la manière dont une protéine interagit avec d’autres produits chimiques est essentielle à l’efficacité de la plupart des médicaments potentiels. Cela ajoute une autre couche de complexité à la question.

Avec 300,000 300,000,000 protéines différentes dans le corps humain et XNUMX XNUMX XNUMX de protéines différentes sur Terre, une autre méthode comme AlphaFold est nécessaire.

Retour sur les tests d'AlphaFold 2

Vérifier la précision d'AlphaFold 2 est ce que les chercheurs ont fait dans un article scientifique intitulé «Les structures AlphaFold2 guident la découverte potentielle de ligands ».

Le travail a été réalisé grâce à une collaboration massive entre 20 chercheurs de l’Université de Californie, de l’Université de Caroline du Nord, de l’Université de Stanford, de la Harvard Medical School et de Chemspace LLC en Ukraine.

Les chercheurs ont utilisé deux protéines, sigma-2 et 5-HT2A, impliquées dans des maladies neuropsychiatriques comme la maladie d'Alzheimer et la schizophrénie. Ces protéines ont été utilisées car AlphaFold 2 n'avait été entraîné sur aucune donnée impliquant ces protéines, ce qui lui a permis de vérifier s'il pouvait « déduire » de nouvelles découvertes à partir de zéro.

Étude rétrospective

La première chose que les chercheurs ont faite a été d’interroger AlphaFold 2 sur les interactions avec les ligands dont ils savaient déjà qu’ils se liaient à la protéine dans la vie réelle. Dans certains cas, les interactions ont été prédites correctement, mais pas toujours.

Ce n’est pas vraiment une nouveauté, et cette limitation des études rétrospectives sur AlphaFold 2 a parfois amené les chercheurs à remettre en question son utilité.

L’étape suivante consistait donc à vérifier si AlphaFold pouvait aider à trouver de nouvelles interactions protéine-ligand jusqu’alors inconnues.

Étude prospective

Dans cette étude, les chercheurs ont donné à AlphaFold 2 la structure des protéines et lui ont demandé de vérifier l'interaction avec 1.6 million de ligands/médicaments potentiels.

AlphaFold a prédit plusieurs candidats médicaments pour chacune des protéines.

Les chercheurs ont ensuite vérifié dans la vie réelle si ces ligands potentiels fonctionnaient réellement.

Les chercheurs ont déterminé que la proportion de composés modifiant l’activité des protéines pour chacun des modèles était respectivement d’environ 50 % et 20 % pour le récepteur sigma-2 et les récepteurs 5-HT2A. Un résultat supérieur à 5% est exceptionnel.

Considérant que la découverte de médicaments est un peu comme essayer de trouver manuellement une aiguille dans une botte de foin, un taux de réussite de 50 % pour « deviner » où se trouve l’aiguille dès le premier essai est en effet exceptionnel.

Cela pourrait réduire considérablement les coûts de découverte de médicaments, car cela permettrait de parcourir numériquement des bases de données chimiques contenant des millions de candidats médicaments potentiels.

La situation idéale est, bien entendu, lorsque le candidat médicament nouvellement découvert est déjà approuvé par la FDA et possède un profil de sécurité connu, ce qui accélérerait la phase des essais cliniques.

Sur les centaines de millions de combinaisons potentielles, 54 % des interactions médicament-protéine utilisant les modèles protéiques sigma-2 AlphaFold2 ont été activées avec succès par un candidat médicament lié. Le modèle expérimental pour sigma-2 a produit des résultats similaires avec un taux de réussite de 51 %.

Cela montre que même si les études rétrospectives ne sont pas toujours concluantes, l’IA est un outil extrêmement puissant pour la découverte de nouveaux médicaments ligands.

L'entrée de l'IA dans le secteur de la santé

Découverte de médicament

La découverte de médicaments représente un segment important du potentiel de l’IA dans le domaine de la santé, d’autant plus que le coût de développement d’un nouveau médicament a augmenté au cours des dernières décennies. atteignant souvent une facture de l’ordre d’un milliard de dollars ou plus.

AlphaFold n'est qu'un exemple, et il est également possible d'évaluer correctement la sécurité d'un médicament ou de trouver de nouvelles façons de le produire efficacement. Cela ne doit pas non plus se faire avec des logiciels propriétaires, avec l’apparition de l’IA open source, y compris pour l’édition génétique comme nous l’avons évoqué dans «L'édition génétique basée sur l'IA rendue possible grâce à « OpenCRISPR-1 »'».

Enfin, la découverte de médicaments liés à l’IA peut également cibler des protéines non humaines, par exemple en trouvant de toutes pièces de nouvelles classes d’antibiotiques, comme indiqué dans «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 ? ».

Diagnostic par IA et gestion des patients

L’IA est désormais utilisée pour analyser les images radiologiques afin de déterminer la présence d’un cancer. Il est encore plus précis que les médecins humains lorsqu’il s’agit de détecter les otites, comme discuté dans notre article «L’IA en passe de devenir un outil de diagnostic médical inestimable ».

Il peut même déterminer quand le TXA, un médicament risqué mais souvent salvateur, doit être administré après un traumatisme, comme indiqué dans «Des protocoles d'urgence obsolètes prêts à être modernisés grâce à l'apprentissage automatique ».

Les LLM (Large Language Models) pourraient aussi bientôt devenir de bons diagnosticiens, aidant les patients soit en collaboration avec des médecins, soit par eux-mêmes.

Gestion des données IA

Autrefois, les données sur les patients se limitaient à quelques radios ou scanners, analyses de sang et notes de médecins.

Bientôt, ils incluront des données sur le mode de vie (alimentation, exercice), une surveillance portable (sommeil, fréquence cardiaque, tension artérielle, glycémie) et même des données génomiques complètes.

L’IA peut également contribuer à la productivité des médecins en pré-remplissant les dossiers des patients et en aidant à intégrer plusieurs logiciels et sources de données.

Trouver les données pertinentes et déterminer comment en améliorer les résultats en matière de santé dépendra de plus en plus de la collecte de ces données et de leur analyse par des IA.

Cela sera également vrai pour les ensembles de données à l’échelle de la population, nous permettant de trouver de nouvelles façons d’améliorer la santé publique en découvrant des liens jusqu’alors inconnus entre les maladies et le mode de vie ou les produits chimiques.

Robotique

La chirurgie est de plus en plus réalisée avec des robots, permettant un traitement plus précis et plus de confort pour les chirurgiens. Et ce secteur connaît une croissance très rapide.

Source: Grand View Research

Les robots peuvent également permettre aux chirurgiens de se trouver à des centaines ou des milliers de kilomètres, contrôlant ainsi le robot à distance. Nous nous sommes penchés sur les leaders de cette révolution médicale dans notre article «Top 5 des actions de chirurgie robotique ».

Implants avancés

Une autre utilisation futuriste, mais qui ne se limite plus à la science-fiction, de la technologie dans les soins de santé est celle des implants artificiels.

Les exosquelettes entrent désormais dans l’ensemble des solutions pour aider les patients, comme l’illustre «Indépendance et mobilité grâce à la robotique – Comment les exosuits peuvent aider les personnes atteintes de la maladie de Parkinson ».

Une étape supplémentaire sera les interfaces homme-machine directes, notamment grâce à des puces comme celle d'Elon Musk. Neuralink. Il pourrait être utilisé pour contrôler directement des membres artificiels ou des ordinateurs avec une simple pensée.

Les implants cérébraux, les exosquelettes et les prothèses ne sont que quelques éléments de la révolution que nous avons explorée dans «Évolution de niveau supérieur : améliorer le corps humain avec des anthrobots, des transistors organiques, des implants cérébraux et bien plus encore ».

Entreprises de découverte de médicaments IA

(Les entreprises figurant sur cette liste vont utiliser des outils d'IA, tels que 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. ou des entreprises technologiques comme Google).

1. Schrodinger, Inc.

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 « normal », 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 Lilly 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 à partir de données confidentielles, ainsi que le succès possible de l'expansion de la technologie de base vers de nouveaux marchés.

2. Exscientia

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.

Une partie des économies de temps et d’argent provient d’un processus hautement automatisé, avec «automatisation robotique complète sur l’ensemble du cycle d’expérimentation ».

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.