Accélérer la découverte de médicaments grâce à l'IA

Mercredi 13 mars 2024 | Temps de lecture : 4 min

"Tu aurais dû garder cette serviette".

Bien que cela ne ressemble pas à un conseil typique que l'on peut entendre de la part de son manager, Karen Madden, Chief Technology Officer pour l'activité Life Science de Merck, a donné ce conseil. En effet, les gribouillis sur cette serviette de table étaient les tout premiers rendus d'une nouvelle plateforme de découverte de médicaments dopée par l'IA.

Trouver une molécule prometteuse pour une nouvelle thérapie peut ressembler à chercher une aiguille dans une botte de foin. Les options semblent illimitées et l'identification des candidats adéquats est une tâche ardue. Et si, au lieu de passer la botte de foin au crible manuellement, vous pouviez utiliser un puissant aimant ou un détecteur de métaux pour trouver cette "aiguille", c'est-à-dire une molécule ayant un potentiel similaire à celui d'un médicament ? AIDDISON est à la fois l'aimant et le détecteur de métaux.

AIDDISON est une plateforme logicielle puissante destinée à réduire cette étape laborieuse du processus de développement des médicaments. Bien avant qu'un nouveau médicament ne soit mis sur le marché, qu'il ne fasse l'objet d'essais cliniques ou de recherches précliniques, il n'est qu'une idée. Une équipe identifie une cible spécifique que son futur médicament doit atteindre, par exemple une protéine défectueuse qui cause des problèmes au patient. Les chercheurs doivent ensuite trouver une molécule (ou une poignée de molécules) qui inhibera une cible spécifique, comme la protéine défectueuse.

Il faut souvent plus d'une décennie et plus de deux milliards de dollars pour faire passer un nouveau médicament du laboratoire au chevet du patient. Plus de 90 % des médicaments échouent lors des essais cliniques. La perte de temps, d'argent et d'efforts liée à l'échec de nouvelles entreprises pharmaceutiques peut être stupéfiante.

Si, au cours des premières étapes de la mise au point d'un médicament (connues sous le nom de Drug Discovery ou phase de découverte), les scientifiques peuvent identifier avec plus de précision les molécules qui ont des chances de réussir dans les étapes ultérieures, il est possible que le taux d'échec de 90 % diminue. Cela signifie moins de gaspillage de temps et d'argent pour des médicaments candidats qui sont voués à l'échec lors des essais cliniques.

"La clé d'une conception de médicaments réussie est d'adopter une approche holistique, d'augmenter le succès de chaque cycle de conception et de faire en sorte que "chaque coup compte" pour apporter plus rapidement des remèdes aux patients", explique Ashwini Ghogare, qui regrette de ne pas avoir gardé la serviette et qui joue un rôle clé dans la mise à disposition de la plateforme aux clients.

Combiner les forces

Le concept d'AIDDISON est né lorsque Mme Ghogare a rencontré Daniel Kuhn lors d'une conférence Merck à Burlington, dans le Massachusetts (États-Unis), en 2019. Après avoir entendu M. Kuhn présenter les méthodes utilisées par son équipe pour créer des modèles d'apprentissage automatique afin de soutenir leur travail de découverte de médicaments, Mme Ghogare s'est approchée de sa table plus tard et lui a dit : "Il faut qu'on parle".

Ils ont parlé des défis que pose la découverte de médicaments et de ce à quoi pourraient ressembler les solutions. L'exploitation des données existantes et l'intelligence artificielle (une technologie transformationnelle) ont figuré en tête de leurs conversations. Et oui, ils ont pris une serviette pour noter leurs idées. Dans ces premiers gribouillis, ils ont esquissé une première conception de l'interface et réfléchi à certains processus.

M. Kuhn, quant à lui, a obtenu un doctorat en chimie computationnelle dans un groupe de conception de médicaments. Depuis, il se consacre à l'amélioration de la découverte de médicaments, notamment dans le cadre de ses fonctions au sein de l'activité Healthcare de Merck. Il s'est engagé à contribuer à la recherche de nouvelles thérapies et de nouveaux médicaments pour les patients en utilisant des technologies de modélisation prédictive et générative.

Leur expérience approfondie dans le domaine de la découverte de médicaments, associée à leur expertise en matière de développement de logiciels et de plateformes, s'est avérée être une combinaison parfaite. En dehors de leurs expériences distinctes mais complémentaires, un autre élément clé a contribué à faire avancer la collaboration. Ils se sont simplement amusés à travailler ensemble.

Construit à partir de zéro

Des années avant qu'ils ne se rencontrent à Burlington, M. Kuhn construisait des outils pour aider son équipe au sein de l'activité Healthcare de Merck à trouver plus rapidement de meilleurs candidats médicaments.

Pour élaborer des modèles, Daniel Kuhn avait besoin d'un grand nombre de données. L'une d'entre elles contenait des détails sur la manière dont les différentes molécules répondaient ou non aux attentes lors des premières expériences. Heureusement, ses collègues du secteur Healthcare de Merck ont méticuleusement conservé leurs données pendant des décennies. Ces riches données expérimentales se sont révélées essentielles pour faire progresser les modèles et, en fin de compte, constituent une avancée considérable pour AIDDISON.

Lorsque M. Kuhn a présenté son innovation lors du sommet de Burlington, Mme Ghogare a immédiatement constaté la solidité des modèles et a su qu'ils seraient utiles aux développeurs de médicaments en dehors de l'entreprise. C'est ainsi qu'a débuté l'effort entrepreneurial visant à mettre un outil interne à la disposition des clients du monde entier.

Daniel Kuhn et Ashwini Ghogare ont été quelque peu surpris par la rapidité des progrès réalisés. Grâce à la mise en place de partenariats et d'équipes solides, il a fallu un peu plus de deux ans pour passer de la première conversation au lancement public de la plateforme.

Pour M. Kuhn, l'intérêt de commercialiser l'outil était en grande partie de rendre l'espace de découverte de médicaments plus accessible aux petites équipes, qui ont rarement accès à de vastes ensembles de données internes pour construire leurs propres modèles. Plus il y aura d'esprits qui travailleront à la recherche de nouvelles solutions thérapeutiques, mieux les patients se porteront.

"Les modèles ne sont pas toujours justes, mais les humains ne le sont pas non plus", explique M. Kuhn. "Des modèles bien conçus, tels que ceux d'AIDDISON, constituent la base de l'accélération de la découverte de médicaments en trouvant et en classant par ordre de priorité les molécules présentant de bonnes propriétés et en aidant les scientifiques à prendre de meilleures décisions."

AIDDISON aide les équipes de toutes tailles à identifier plus rapidement les meilleures molécules candidates et à réduire un point faible du parcours de découverte de médicaments.

À propos d'AIDDISON

S'appuyant sur plus de 20 ans de données de recherche pharmaceutique, la plateforme AIDDISON™ dopée par l'IA combine conception générative, perspectives prédictives et modélisation 3D dans une solution clé en main pour la découverte accélérée de médicaments.

• Générer des idées grâce au criblage rapide in silico de vastes bases de données chimiques et à la conception de novo.

• Optimiser les résultats pour la synthétisabilité et les propriétés ADMET avec des modèles ML du monde réel.

• Évaluer et hiérarchiser les résultats à l'aide d'outils avancés de visualisation des données et de liaison moléculaire.