L’utilité de l’intelligence artificielle dans la recherche pharmaceutique

L’IA trouve des applications à toutes les étapes du processus de R&D :

1. Identification des cibles thérapeutiques

L’une des premières étapes cruciales est l’identification des molécules cibles, c’est-à-dire les points du corps où un principe actif peut influencer positivement l’évolution d’une maladie. Sanofi estime que ce processus pourrait être amélioré jusqu’à 30% grâce à l’IA.

Les algorithmes d’apprentissage automatique peuvent analyser d’énormes quantités de données biologiques pour identifier de nouvelles cibles potentielles. Ils peuvent également prédire les interactions entre les molécules et les cibles, permettant de mieux comprendre les mécanismes d’action des médicaments.

2. Recherche et conception de molécules actives

Une fois les cibles identifiées, l’étape suivante consiste à trouver ou concevoir des molécules capables d’agir sur ces cibles. L’espace des molécules potentielles est immense : Daniel Kuhn, responsable IA chez Merck KGaA, évoque « 10 puissance 60 molécules qui, de par leurs propriétés, peuvent être une substance active ».

L’IA aide les chercheurs à naviguer dans cet océan de possibilités :

• Criblage virtuel : Les algorithmes peuvent rapidement scanner des bibliothèques de millions de composés pour identifier ceux ayant le plus de chances d’être efficaces contre une cible donnée.
• Conception de novo : L’IA générative peut proposer de nouvelles structures moléculaires optimisées pour certaines propriétés désirées.
• Prédiction des propriétés : Les modèles d’IA peuvent prédire les propriétés physicochimiques, la toxicité potentielle ou la biodisponibilité des molécules candidates, permettant de sélectionner les plus prometteuses.

Clara Christ, directrice du secteur Molecular Design chez Bayer, souligne que l’IA permet de tester plus rapidement les hypothèses thérapeutiques. Son équipe a récemment pu stopper prématurément le développement d’une molécule cible après avoir synthétisé seulement 20 molécules, là où des approches traditionnelles auraient nécessité au moins 5 fois plus de tests.

3. Optimisation des composés

Une fois les molécules prometteuses identifiées, l’IA peut aider à les optimiser pour améliorer leur efficacité, réduire leurs effets secondaires ou faciliter leur production. Les algorithmes peuvent suggérer des modifications structurelles et prédire leur impact sur les propriétés du composé.

4. Planification et analyse des essais cliniques

L’IA trouve également des applications majeures dans la phase des essais cliniques :

• Sélection des patients : Les algorithmes peuvent analyser de vastes ensembles de données médicales pour identifier les patients les plus susceptibles de répondre positivement à un traitement, optimisant ainsi le recrutement pour les essais.
• Conception des protocoles : L’IA peut aider à concevoir des protocoles d’essais plus efficaces, en prédisant les paramètres optimaux (dosage, durée, critères d’évaluation, etc.).
• Analyse des résultats : Les techniques d’apprentissage automatique permettent d’analyser rapidement les données issues des essais, identifiant des tendances ou des sous-groupes de patients répondeurs qui pourraient échapper à l’analyse humaine.

Bayer utilise par exemple l’IA depuis 2021 dans le cadre de l’étude de phase 3 sur l’Asundexian, un anticoagulant prometteur. Christoph Koenen, directeur du développement clinique chez Bayer, affirme que l’IA a permis de sélectionner les bons centres cliniques et d’inclure les patients les plus pertinents pour l’étude.

5. Pharmacovigilance et suivi post-commercialisation

Après la mise sur le marché d’un médicament, l’IA peut analyser en continu les données de pharmacovigilance pour détecter précocement d’éventuels effets secondaires rares ou inattendus.