L’un des principaux avantages de l’application de l’IA aux premiers stades de la découverte de médicaments est qu’elle peut effectuer un criblage virtuel à grande échelle ou mener plusieurs expériences simultanément, augmentant ainsi l’échelle de criblage de composés et faisant progresser les composés potentiels vers des composés principaux, ainsi que la rapidité des thérapies candidates. Le Dr Jim Collins, professeur au MIT, a déclaré dans une interview avec l'équipe de contenu de WuXi AppTec que les chercheurs peuvent former des modèles d'IA avec des bibliothèques de composés à petite échelle, puis utiliser ces modèles pour explorer de vastes espaces chimiques. Cela permet à son équipe de réaliser le criblage d’une bibliothèque virtuelle de composés contenant des milliards de composés en quelques jours. Cela ne peut pas être réalisé par des expériences conventionnelles.
M. Panna Sharma, PDG de Lantern Pharma, a déclaré dans une interview avec Nature Cancer que le projet de recherche et de développement anticancéreux de l'entreprise, depuis le trou initial généré par l'IA jusqu'au lancement du premier essai clinique sur l'homme, prend environ la moitié du temps des stratégies traditionnelles. et peut réduire les coûts jusqu'à 80 %. D'autres sociétés qui utilisent l'IA pour le développement de médicaments, telles que Recursion et Insilico Medicine, ont des expériences similaires. Bien que l’intelligence artificielle ne puisse pas remplacer les expériences à l’heure actuelle, elle peut permettre aux chercheurs de réaliser des expériences correctes plus rapidement, améliorant ainsi les taux de réussite.
L’un des premiers impacts de l’intelligence artificielle sur le traitement du cancer pourrait se refléter dans la réutilisation de médicaments défaillants ou obsolètes. En prenant Lantern comme exemple, sa plateforme d’intelligence artificielle rassemble des milliards de points de données liés à l’oncologie. Ces données proviennent de recherches scientifiques, d’essais cliniques et de bases de données. En utilisant l'apprentissage automatique pour prédire les réponses des patients aux médicaments candidats, l'intelligence artificielle peut rapidement découvrir de nouvelles indications jusqu'alors inconnues ou identifier de nouveaux sous-types de cancer et leurs biomarqueurs qui n'ont pas encore été entièrement caractérisés.
L’identification de combinaisons de médicaments efficaces est une autre direction d’application de l’intelligence artificielle. À l’heure actuelle, tester des combinaisons de médicaments est à la fois difficile et prend du temps, tandis que l’intelligence artificielle peut prédire plus rapidement quelles combinaisons de médicaments sont les plus efficaces en analysant les données de tous les essais cliniques.
La capacité de l’IA générative à personnaliser de nouvelles structures moléculaires en fonction de caractéristiques cibles spécifiques afin d’obtenir des effets thérapeutiques spécifiques est particulièrement intéressante pour ses partisans. À l’heure actuelle, l’IA générative a démontré sa capacité à concevoir de nouvelles protéines ou de petits composés moléculaires à partir de zéro, sur la base des caractéristiques cibles dans le cadre de la recherche préclinique. Par exemple, l'équipe du professeur David Baker, lauréat du prix Nobel, a publié un article dans la revue Science présentant l'outil amélioré de simulation de protéines RoseTTAFold All Atom et l'outil de conception de protéines RFdiffuion All Atom. RoseTTAFold All Atom permet aux scientifiques de simuler les interactions entre protéines et autres biomolécules. RFdiffuion All Atom permet aux scientifiques de concevoir des protéines entièrement nouvelles à partir de zéro, basées sur les poches qui se lient à des composés spécifiques, ouvrant potentiellement la voie à la conception de thérapies précises.
D’un autre côté, la plupart des biomolécules générées par l’IA dans le cadre du pipeline actuel de recherche et de développement clinique sont toujours similaires aux molécules existantes, qui ont été ajustées pour améliorer leur sélectivité ou réduire la toxicité non ciblée.
Les médicaments candidats doivent encore démontrer leur efficacité chez l’homme, ce qui ne peut être réalisé sans essais cliniques. Dans le processus de développement de médicaments, les essais cliniques occupent la majeure partie du coût et du temps de recherche et de développement, de sorte que même une légère amélioration de l'efficacité peut avoir un impact énorme.
Recursion utilise des données cliniques et multiomiques provenant d'institutions professionnelles de collecte de données telles que Tempus, sur la base de modèles d'intelligence artificielle pour identifier les patients susceptibles de produire la meilleure réponse. Améliorer le dépistage des patients signifie non seulement des essais à plus petite échelle, mais augmente également théoriquement les taux de réussite.
L’intelligence artificielle peut également être utilisée pour découvrir des patients appropriés et déterminer le lieu optimal pour l’essai, maximisant ainsi l’accélération du recrutement des patients.
