ARTICLE 1 : Le rôle de l'IA dans la découverte de médicaments

Cet article fait partie d'une série de trois articles sur l'IA dans la découverte de médicaments. Vous pouvez explorer la série complète

Article 1 : Le rôle de l'IA dans la découverte de médicaments

• Introduction
• Comment l'IA est-elle utilisée dans la découverte de médicaments ?
• Quel a été le premier médicament découvert par l'IA ?

Article 2 : L'impact de l'IA sur l'industrie pharmaceutique

• Grandes entreprises pharmaceutiques intégrant l'IA dans la découverte de médicaments
• Transformer le paysage : les entreprises pharmaceutiques qui se développent rapidement grâce à l'IA

Article 3 : L'avenir de l'IA dans le développement de médicaments et la contribution de CymitQuimica

• Avantages de l'utilisation de l'IA dans le développement de médicaments
• L'avenir de l'IA dans le développement de médicaments
• La contribution de CymitQuimica à la découverte de médicaments

Introduction

La fusion de l'IA et de la découverte de médicaments représente une frontière passionnante, offrant un changement de paradigme dans l'innovation pharmaceutique.

L'intégration de l'Intelligence Artificielle (IA) dans la découverte de médicaments transforme le paysage pharmaceutique en accélérant l'identification des cibles, la conception moléculaire et l'optimisation. Cet article explore comment l'IA est appliquée, quelles plateformes et modèles mènent l'innovation, et ce que l'on peut attendre pour l'avenir.

Chez CymitQuimica, nous restons engagés à soutenir les projets de recherche en fournissant un service innovant et de qualité qui répond aux besoins des laboratoires et des fabricants de produits chimiques et biologiques, essentiels pour faire progresser les découvertes pharmaceutiques.

Comment l'IA est-elle utilisée dans la découverte de médicaments ?

L'IA révolutionne la découverte de médicaments en améliorant l'efficacité à différentes étapes du développement pharmaceutique. La combinaison de plusieurs technologies d'IA (apprentissage automatique, apprentissage profond et IA générative) contribue à rendre le développement des médicaments plus simple, plus économique et plus rapide.

Les chercheurs exploitent la capacité de l'IA à analyser d'énormes volumes de données biologiques, chimiques et cliniques, à prédire les résultats avec plus de précision et à générer de nouveaux candidats-médicaments.

Une contribution majeure de l'IA à la découverte de médicaments est le criblage et l'optimisation des composés potentiels. Traditionnellement, les bibliothèques de composés étaient des collections physiques de molécules testées expérimentalement pour identifier leurs interactions avec des cibles biologiques, telles que les protéines. Grâce aux avancées de l'IA, ces bibliothèques sont devenues d'immenses bases de données numériques utilisées pour le criblage virtuel. L'IA analyse ces bibliothèques pour prédire comment les composés interagiront avec une cible, accélérant ainsi les premières étapes de la découverte de médicaments et améliorant l'efficacité du développement des candidats-médicaments.

En plus du criblage des composés, l'IA améliore plusieurs étapes du processus de développement des médicaments, optimisant l'efficacité depuis la découverte initiale jusqu'à l'analyse post-commercialisation.

Les principales applications incluent :

• Identification et validation des cibles : Les technologies d'IA, telles que l'apprentissage automatique et le traitement du langage naturel, permettent l'analyse rapide des données génétiques et protéomiques pour identifier des cibles thérapeutiques potentielles. L'IA peut révéler les mécanismes des maladies, prédire de nouveaux biomarqueurs et affiner la découverte de cibles thérapeutiques en analysant de vastes ensembles de données biologiques (Mak & Pichika, 2019).
• Conception et optimisation des médicaments : Les modèles génératifs basés sur l'IA permettent de concevoir de nouvelles molécules aux propriétés médicamenteuses et d'optimiser les candidats-médicaments. En prédisant les interactions moléculaires et les propriétés pharmacocinétiques des composés, l'IA améliore la précision de la conception des médicaments et augmente la probabilité d'identifier des candidats prometteurs (Pal et al., 2023). L'IA peut également aider à anticiper les risques toxicologiques potentiels dès les premières phases du développement, réduisant ainsi les échecs tardifs.
• Développement préclinique : Les modèles in silico alimentés par l'IA prédisent l'efficacité et les profils de sécurité des candidats-médicaments, réduisant ainsi la nécessité de tests approfondis sur les animaux. Ces modèles prédictifs accélèrent la phase préclinique en identifiant les candidats les plus prometteurs pour les essais cliniques ultérieurs (Chakraborty et al., 2023).
• Essais cliniques : Le rôle de l'IA dans les essais cliniques prend de plus en plus d'importance, allant de l'optimisation du recrutement des patients grâce à l'analyse des dossiers médicaux électroniques (DME) à l'évaluation des données des essais en temps réel. Les systèmes d'IA peuvent adapter les protocoles des essais en fonction des résultats obtenus, ce qui améliore l'efficacité des essais et les résultats pour les patients (Editorial, 2023). L'IA est également utilisée en médecine personnalisée pour prédire la réponse des patients à certaines thérapies.
• Surveillance post-commercialisation : La capacité de l'IA à analyser des données en temps réel provenant des populations de patients permet d'identifier les effets indésirables des médicaments (EIM) et de surveiller leur efficacité à long terme. En fournissant un retour d'information continu après la mise sur le marché d'un médicament, l'IA améliore la sécurité des patients et garantit une meilleure gestion post-commercialisation (Mak & Pichika, 2019).

Quel est le premier médicament découvert par l'IA ?

Le premier médicament découvert par l'IA à entrer en essais cliniques était DSP-1181, un agoniste des récepteurs de la sérotonine 5-HT1A développé par Exscientia en collaboration avec Sumitomo Dainippon Pharma. Ce médicament, conçu pour traiter le trouble obsessionnel-compulsif (TOC), a été développé en seulement 12 mois, contre 4 à 5 ans avec les méthodes conventionnelles.

Le développement rapide du DSP-1181 a été rendu possible grâce à des modèles d'IA qui ont analysé des millions de molécules potentielles, optimisant leur efficacité, leur sécurité et leur aptitude médicamenteuse. Depuis, l'IA a été utilisée pour concevoir plusieurs candidats-médicaments, dont certains ont progressé jusqu'aux essais cliniques, démontrant ainsi le potentiel de l'IA à améliorer la R&D pharmaceutique.

Continuez la lecture de la série :

➡ L'impact de l'IA sur l'industrie pharmaceutique (Article 2)