Le premier médicament conçu à l’aide de l’intelligence artificielle (IA) a commencé son essai de phase I. Le professeur Andrew Hopkins d’Exscientia explique comment un algorithme a été utilisé pour atteindre ce jalon.
Dans un développement historique, le premier médicament créé à l’aide de (AI) est entré dans son essai de phase I. Baptisé DSP-1181, le composé a été créé dans le cadre d’une coentreprise entre Sumitomo Dainippon Pharma et le traitement des troubles obsessionnels compulsifs (TOC).
S’adressant à Victoria Rees, le professeur Andrew Hopkins, directeur général d’Exscientia, a expliqué comment le médicament a été découvert et optimisé en seulement 12 mois.
Le mécanisme d’action du médicament
Hopkins a commencé par expliquer que le médicament fonctionne comme un agoniste complet de l’activité potentielle du récepteur de la sérotonine 5-HT1A, contrairement à d’autres agonistes existants du récepteur de la sérotonine 5-HT1A qui bloquent seulement partiellement l’activité. Il a également une espérance de vie beaucoup plus longue que les autres médicaments. Cela l’a conduit, lui et d’autres chercheurs, à croire que cela démontrera une efficacité beaucoup plus forte et une durée d’action plus longue que les thérapies actuelles.
L’agent du médicament manipule les circuits neuronaux liés au TOC, ce qui suggère un début d’efficacité plus rapide que les traitements standard, selon Hopkins.
Utiliser l’IA dans la conception de médicaments
Les chercheurs ont défini une stratégie et un objectif pour le système de chimie central de l’IA utilisé dans leur étude, appelé Chimiste CentaureTM. Cela a permis d’optimiser un algorithme pour identifier de nouvelles matières chimiques avec un profil moléculaire souhaité.
L’IA a été utilisée dès le début du processus de découverte du médicament, y compris pour les premiers de novo conception générée directement à partir des données.
L’utilisation de l’IA pour rechercher un espace chimique, qui comprend potentiellement des milliards d’options en termes de configuration des atomes, a permis aux chercheurs de réduire le temps nécessaire pour identifier leur cible. En intégrant des hypothèses génératrices de données à l’apprentissage automatique pour produire des concepts de conception de médicaments, les étapes précédemment entreprises par les humains ont été remplacées par une suite d’algorithmes avancés.
Premièrement, l’IA a généré des millions de nouvelles molécules potentielles qui répondent à certaines spécifications. Ensuite, une plateforme d’apprentissage automatique a été utilisée pour prédire quels composés seraient actifs contre des centaines et des milliers de protéines. Un troisième niveau d’algorithmes, appelé “apprentissage actif”, a ensuite été appliqué, qui priorisait automatiquement les composés que les chercheurs devraient fabriquer et tester.
Ces processus ont permis aux scientifiques de concevoir précisément le médicament, en satisfaisant un grand nombre d’objectifs de conception en utilisant simultanément l’IA.
«C’est pourquoi il s’agit d’une évolution si importante, car elle montre comment l’IA peut être utilisée pour créer la molécule et remet donc en cause le processus traditionnel», a déclaré Hopkins, «la beauté de l’algorithme est que chaque atome compte.»
Problèmes de R&D
Hopkins – “L’avenir pourrait voir une relation plus étroite entre les technologues et les chercheurs en découverte de médicaments”
Un problème clé dans la conception de médicaments identifiés par Hopkins est que seule une petite quantité de données est facilement disponible. Cela, a-t-il dit, est «l’opposé d’un problème de big data», ce qui signifie que différents algorithmes sont nécessaires pour apprendre.
Il a expliqué qu’il existe une multitude de sources de données biologiques et chimiques, qui peuvent être intégrées et utilisées pour créer des modèles d’apprentissage automatique. Cependant, pour la plupart des protéines du corps humain, il existe souvent très peu d’informations lors du lancement d’un projet de découverte de médicaments. De plus, pour chaque cible individuelle, il y a généralement un petit problème de données ou de données clairsemées. Algorithmiquement, le défi est donc de savoir comment apprendre rapidement à partir de très peu de données.
Hopkins a déclaré que pour résoudre ce problème, un ensemble d’algorithmes développés dans le domaine de l’apprentissage actif est essentiel pour concevoir des médicaments innovants.
«Ce que nous commençons à voir en prenant de meilleures décisions de conception, c’est que nous pouvons synthétiser moins de composés et cela conduit à un projet qui progresse beaucoup plus rapidement que ce n’est conventionnellement le cas», explique-t-il.
Importance de l’utilisation de l’IA
Un avantage majeur de l’utilisation de l’IA que Hopkins a souligné était la vitesse à laquelle la phase pré-clinique s’est déplacée. Il a expliqué que cela permettait d’optimiser et d’identifier le candidat clinique beaucoup plus rapidement que les méthodes traditionnelles.
Un problème majeur auquel l’industrie pharmaceutique est confrontée, a-t-il dit, est la productivité. Les mauvais taux de retour sur la recherche pourraient être résolus en utilisant l’IA. «Si nous pouvons réduire le coût des investissements, nous pourrons finalement commencer à réduire les obstacles à la traduction de nouvelles connaissances du monde universitaire et de la clinique en nouveaux médicaments.»
Cependant, la «signification réelle» dont Hopkins a discuté était que le DSP-1181 est une nouvelle entité chimique; la molécule n’est pas un médicament réutilisé. Cela, a-t-il expliqué, remettra en question la façon dont la découverte de médicaments conventionnels est menée.
L’utilisation d’une combinaison de stratégie humaine et de créativité en synchronisation avec les avantages des algorithmes pourrait donc présenter une pléthore de nouvelles tactiques et de résolution de problèmes pour la découverte de médicaments, qui ont le potentiel d’augmenter la productivité.
