Comment la MedTech contribue à accélérer la découverte de médicaments
Consultez des informations supplémentaires sur le rôle de l’intelligence artificielle dans la découverte et le développement de médicaments, et la façon dont elle permet de réduire les coûts associés et de fournir aux patients des traitements salvateurs plus rapidement.
Hausse des coûts associés à la découverte et au développement des médicaments
La façon dont les professionnels de santé soignent les patients évolue rapidement. La médecine de précision prend de l’ampleur alors que les chercheurs s’attaquent à des enjeux de santé complexes et que les entreprises du secteur pharmaceutique s’efforcent de réduire les délais nécessaires au développement de médicaments salvateurs.
À l’heure actuelle, la mise sur le marché d’un nouveau médicament représente un processus extrêmement long et coûteux pour les entreprises pharmaceutiques. Taconic Biosciences estime ainsi qu’il fallait 2,8 milliards de dollars et 12 ans de travail pour développer un seul médicament en 2019. Malgré tous ces efforts, 90 % des candidats ne parviennent pas à obtenir l’agrément de la FDA.
L’intelligence artificielle (IA) présente un potentiel incroyable pour accélérer le processus de découverte et de développement des médicaments.
Comment l’IA simplifie le processus de découverte des médicaments
Le processus de création de la plupart des médicaments commence avec la synthétisation d’un composé pouvant se lier à une molécule cible (généralement, une protéine) impliquée dans une pathologie et de la moduler. Les chercheurs examinent des milliers de candidats potentiels avant de trouver le bon composé. Une fois qu’une cible est identifiée, les chercheurs passent au crible d’immenses banques de composés similaires pour trouver l’interaction optimale avec la protéine pathologique.
À l’heure actuelle, il faut plus d’une décennie et des centaines de millions de dollars pour parvenir à ce stade. Grâce à l’intelligence artificielle et au Machine Learning (ML), la MedTech peut simplifier ce processus et réduire ce faisant le temps et les moyens financiers nécessaires pour mettre au point de nouveaux médicaments. Ces technologies peuvent ainsi :
Éplucher les banques de molécules
Les banques examinées lors de la recherche des molécules candidates sont tellement vastes qu’il est presque impossible pour les chercheurs humains de les passer au peigne fin eux-mêmes. De son côté, l’IA est capable d’identifier rapidement des composés cibles potentiels au sein de jeux de données gigantesques, et d’épargner aux chercheurs des centaines d’heures de travail en laboratoire.
Prédire les propriétés des composés
Relativement chronophage, le processus traditionnel de découverte des médicaments opère par tâtonnements. Les solutions de la MedTech combinées à l’IA et au ML peuvent accélérer le processus en prédisant les propriétés des composés potentiels, afin que seuls ceux présentant la composition souhaitée soient synthétisés. Cela évite aux chercheurs de travailler sur des composés ayant peu de chances d’être efficaces.
Inventer de nouveaux composés
Lorsque le criblage produit peu de résultats prometteurs, l’IA peut même suggérer des idées de composés entièrement nouveaux adaptés aux paramètres souhaités et présentant de meilleures chances de succès.
En quoi l’IA peut-elle constituer une aide pour la découverte de nouveaux médicaments ?
Comment l’IA est-elle utilisée lors des essais cliniques ?
Le cabinet Deloitte estime que seulement 10 % des médicaments candidats qui parviennent à l’étape des essais cliniques sont approuvés par les autorités de régulation. Étape la plus longue et la plus coûteuse du processus de création des médicaments, les essais cliniques impliquent plusieurs phases de test chez l’humain qui mobilisent des centaines ou des milliers de participants.
Inchangé depuis des décennies, le déroulé linéaire traditionnel des essais randomisés contrôlés n’offre pas la flexibilité, la vitesse et la puissance analytique nécessaires pour permettre au modèle de la médecine de précision de se développer. Les entreprises peinent à trouver des participants adéquats, sans parler de les recruter, de les fidéliser et de les gérer efficacement. L’inefficacité du processus contribue grandement à l’augmentation des coûts associés à la découverte et au développement des médicaments, ainsi qu’a la faiblesse des taux d’approbation.
Les groupes pharmaceutiques peuvent utiliser des modèles d’IA prédictifs tout au long de la phase des essais cliniques du développement de médicaments, de la conception jusqu’à l’analyse des données. Ceux-ci permettent :
- d’identifier les patients éligibles en explorant le contenu disponible publiquement.
- d’évaluer les performances du site des essais en temps réel.
- d’automatiser le partage des données entre diverses plateformes.
- de fournir des données pour les rapports finaux.
La combinaison d’algorithmes à une infrastructure technique performante garantit que le flux constant des données cliniques est nettoyé, agrégé, stocké et géré efficacement. Ainsi, les chercheurs peuvent mieux saisir le niveau de sécurité et d’efficacité des médicaments testés sans avoir à rassembler et analyser manuellement les vastes jeux de données générés par les essais.
Obstacles à l’adoption de l’IA dans le cadre de la découverte et du développement de médicaments
Bien que l’utilisation de l’IA soit plus répandue dans le processus de découverte des médicaments, il reste encore des barrières à son adoption.
Qualité des données
Problème fréquemment cité dans de nombreux secteurs d’activité, la médiocrité des données peut rapidement réduire l’utilité de l’intelligence artificielle et du Machine Learning. En raison de la faible qualité des données produites, les pharmacologues jugent que la MedTech manque de fiabilité et n’est pas plus précise, utile ou rapide que les méthodes classiques.
Appréhension
D’aucuns pensent que la technologie va finir par remplacer entièrement les travailleurs humains dans la plupart des secteurs d’activité. L’ industrie pharmaceutique ne fait pas exception. Et s’il est vrai que l’IA peut analyser de grands jeux de données plus rapidement, elle n’a pas vocation à concurrencer les compétences des chercheurs et médecins humains.
Manque de compétences
L’implémentation de la MedTech dans le cadre du processus de découverte des médicaments nécessite un ensemble de compétences de niche. Pour maintenir les données nettoyées et utilisables par l’IA, les entreprises ont besoin de collaborateurs dotés d’un bagage technique et capables de comprendre la dimension scientifique du processus (conception des médicaments, biologie, chimie, etc.). C’est un défi de taille que les entreprises peinent à relever.
Le futur de l’IA dans le développement pharmacologique
L’IA aide les chercheurs à innover, les praticiens à répondre aux exigences de la médecine de précision et les entreprises à mettre au point des médicaments salvateurs. Chaque année, le nombre de partenariats noués entre des groupes pharmaceutiques et des entreprises technologiques progresse, tout comme les investissements dans les startups spécialisées dans la MedTech et l’IA.
De grands groupes pharmaceutiques partagent même des données. Créé dans cette optique, le consortium MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) regroupe des dizaines de membres. Il utilise un système basé sur la blockchain qui permet aux entreprises de partager des données propriétaires tout en préservant la confidentialité. Les chercheurs peuvent utiliser les données existantes pour lancer rapidement leur processus de découverte de médicaments et gagner quelques années de développement.
Accélérez votre processus de recherche et développement
Suivez-nous