Les outils numériques et les modèles prédictifs s’imposent dans la découverte de médicaments

Les outils numériques de conception de médicaments et l’IA sont de plus en plus intégrés à la découverte de médicaments, alors que les délais habituels pour les médicaments couronnés de succès s’étendent de 10 à 14 ans, voire parfois davantage, entre la découverte et l’autorisation. Le coût de mise sur le marché d’un médicament peut aller de plusieurs centaines de millions à plusieurs milliards de dollars, et seulement environ 12 % des médicaments qui atteignent les essais cliniques obtiennent l’autorisation de la FDA.

Les estimations publiées du coût de R&D par médicament approuvé varient fortement selon la méthodologie utilisée et les éléments inclus. Une analyse influente a estimé les coûts à environ 1,4 milliard de dollars de dépenses directes et 2,6 milliards de dollars capitalisés en dollars de 2013, tandis qu’une analyse des autorisations de la FDA fondée sur des données publiques a estimé l’investissement médian capitalisé en recherche et développement nécessaire pour mettre un nouveau médicament sur le marché à 985,3 millions de dollars, et l’investissement moyen à 1 335,9 millions de dollars dans l’analyse de base. Le coût financier d’une perte associée à un essai tardif échoué, y compris les coûts de développement irrécupérables, peut varier de 800 millions à 1,4 milliard de dollars.

Les taux de réussite du développement clinique varient selon la maladie et le jeu de données. Un large benchmark de programmes menés de 2011 à 2020 a estimé à environ 7,9 % la probabilité globale d’approbation entre la phase I et l’autorisation, l’oncologie étant plus basse, à environ 5,3 %. Seule une faible fraction des composés entrant en phase préclinique progresse jusqu’aux premières études chez l’humain.

Les délais longs et les coûts élevés associés à la découverte de médicaments ont conduit à un déficit de réponses aux besoins médicaux des patients atteints de maladies rares. Bien que 3,5 % à 5,9 % de la population mondiale, soit environ 263 millions à 446 millions de personnes, souffrent de maladies rares, 95 % d’entre elles ne disposent pas d’options thérapeutiques approuvées par la FDA aux États-Unis. Avec des taux d’échec aussi élevés entraînant des pertes de temps et d’argent, la plupart des essais se concentrent sur des maladies plus fréquentes, qui promettent un meilleur retour si le médicament atteint le marché.

Aujourd’hui, la conception numérique de médicaments englobe les simulations moléculaires qui modélisent la manière dont les composés interagissent avec des cibles biologiques, les modèles d’apprentissage automatique entraînés sur de vastes bibliothèques chimiques pour prédire des candidats médicaments, l’IA générative qui propose des structures moléculaires entièrement nouvelles, et les plateformes d’automatisation de laboratoire qui relient les prédictions computationnelles aux expériences physiques. Dans les années 2020, l’IA et le machine learning ont été intégrés aux approches de conception de médicaments assistée par ordinateur, et les modèles de deep learning ont permis une précision prédictive sans précédent. AlphaFold et d’autres outils d’IA générative ont transformé la prédiction de structure et la conception moléculaire.

Avant les années 1970, la découverte de médicaments était dominée par les observations fortuites et le criblage par essais-erreurs. À partir des années 1970, la conception de médicaments assistée par ordinateur à l’aide de techniques computationnelles a émergé, et ses applications ont progressivement augmenté tout au long des années 1980 et au-delà. Dans les années 2000, la biologie structurale, la génomique et la bio-informatique ont commencé à stimuler le développement de la conception de médicaments assistée par ordinateur, les bibliothèques de protéines et de composés chimiques se sont développées de façon exponentielle, et le criblage virtuel est devenu une pratique standard.

Les premiers médicaments conçus par IA progressent actuellement dans les essais cliniques, et des entreprises démontrent des chaînes de développement IA de bout en bout. Selon une estimation, le marché de la découverte de médicaments par IA passerait de 4,6 milliards de dollars en 2025 à 49,5 milliards de dollars d’ici 2034, avec un taux de croissance annuel composé de 30 %.

Un article récent a analysé des modèles prédictifs fondés sur la théorie de l’information à partir d’un ensemble de résultats de criblage d’échantillons biologiques pour la conception de médicaments. Contrairement aux outils existants, qui fournissent principalement des spectres probabilistes d’activité biologique à partir d’une entrée SMILES, le système proposé intègre un réseau neuronal hybride associé à des modèles prédictifs fondés sur la théorie de l’information afin de simuler de manière dynamique les processus pharmacocinétiques et pharmacodynamiques à l’aide de données structurelles et d’échantillons biologiques. Sur la base de l’ensemble des caractéristiques des échantillons biologiques, deux échantillons actifs ont été sélectionnés qui, avec un haut degré de fiabilité, sont également adaptés à la création de médicaments ciblant le formyl peptide receptor.

L’article indique que les chercheurs peuvent choisir les caractéristiques les plus importantes des bioéchantillons à l’aide de portraits informationnels de classes, ce qui réduit les efforts nécessaires au développement de médicaments et améliore la précision des prévisions. L’analyse de la contribution des caractéristiques a identifié celles qui influencent positivement l’état actif des bioéchantillons, et la force de leur influence a également été déterminée.