La COVID-19 a démontré l'avantage concurrentiel offert par le développement de médicaments in-silico. Alors que la technologie améliore massivement le retour sur investissement de la R&D, les entreprises biopharma adoptent rapidement l'IA, ce qui représente un nouveau marché d’environ 4 milliards de dollars en 2025 dans lequel les leaders sont tout juste en train d'émerger.

L’IA accélèrent la phase de découverte de médicaments, depuis la conception de nouveaux composés moléculaires jusqu’à l’optimisation pour les essais cliniques. Ces technologies ont le potentiel d’augmenter les médicaments approuvés par la FDA en s’attaquant à des maladies actuellement inexploitées et de stimuler l’industrie biopharmaceutique mondiale.

Révolutionner la découverte de médicaments

La découverte de médicaments à l’aide de l’IA s’appuie sur les progrès tels que le traitement du langage naturel (NLP) et la puissance exponentielle du cloud computing pour cribler plus rapidement de nouvelles molécules et simuler ses possibles actions. L’utilisation de l’intelligence artificielle permet des améliorations de la productivité de l’ordre de 5x à 10x.

Les exemples récents de Moderna et BioNTech montrent comment des nouvelles entreprises peuvent trouver des produits avant les grandes sociétés pharmaceutiques en utilisant l’IA. C’est pourquoi ces dernières s’associent avec des sociétés spécialisées en intelligence artificielle pour stimuler leur département de R&D.

Ce marché de l’IA en biopharmacie devrait atteindre 3,9 milliards de dollars d’ici 2025 (53 % du TCAC sur 5 ans).

De nouveaux super-pouvoirs pour la découverte de médicaments

Parmi les super-pouvoirs nous trouvons le traitement du langage naturel. Il exploite les bases de données biomédicales publiques, la littérature scientifique et les données structurées propriétaires pour anticiper les résultats.

La croissance exponentielle (2x tous les 18 mois) de Medline et GenBank (les principales bases de données biomédicales) transforme rapidement le bio-NLP en une nécessité pratique. De plus, les modèles de langage de transformation (par exemple, Alphafold de Google), transforment la recherche et les applications en accélérant la prédiction des propriétés des molécules.

L’IA et les centres de données ouvrent un nouveau chapitre dans la recherche médicale, en permettant des simulations moléculaires des candidats médicaments, révélant des mécanismes difficiles à observer expérimentalement. Ainsi, les simulations informatiques et l’IA sont utilisées pour augmenter et étendre les expériences des ensembles de données contenant des informations sur la dynamique moléculaire (par exemple, Relay Therapeutics). La simulation de la dynamique moléculaire assistée par l’IA a été récompensée par le Prix 2020 Gordon Bell.

L’automatisation robotisée est un autre super-pouvoir. Elle permet de filtrer des ensembles de données massifs à l’aide d’imagerie in vivo et de modèles in silico, ce qui accélère les essais précliniques et cliniques. La plus grande partie du génome humain reste non traitée (96 % de toutes les cibles génétiques humaines). L’intelligence artificielle (in-silico) est l’outil de choix pour la découverte de médicaments de novo.

La plateforme de Recursion Pharma est le pionnier d’une boucle itérative de “biologie et bits”, en fusionnant la chimie computationnelle et plusieurs millions d’images expérimentales.

L’IA revisite la biochimie

La puissance de calcul est désormais facilement disponible et repose sur des accélérateurs qui rendent les calculs de physique faisables et économiquement viables. Le calcul par GPU piloté par l’IA devrait permettre d’atteindre une accélération de 1’000 fois par rapport aux microprocesseurs traditionnels en 2025.

Une telle puissance de calcul permet de sélectionner des milliards de candidats et des simulations basées sur la physique pour concevoir les médicaments candidats les plus prometteurs.

Un des domaines qui a bénéficié de l’utilisation de l’IA est celui de la microscopie, plus précisément la cryo-microscopie. La cryo-microscopie électronique a révolutionné la biochimie au début des années 80 en permettant l’imagerie de biomolécules à l’intérieur de cellules finement tranchées. Cette percée a été récompensée par le prix Nobel 2017 – J. Dubochet (Université de Lausanne) et J. Franck (Université de Columbia).

L’utilisation de l’IA (démontrée par des équipes du MIT et de l’UCSF) permet la reconstruction tridimensionnelle des molécules et de leur mouvement.

La vitesse de développement se transforme d’années en mois

L’IA accélère le processus de compilation des données sur la séquence du génome et d’apprentissage à partir de celles-ci, permettant un meilleur ciblage des maladies et donc un traitement personnalisé d’un individu. Elle identifie les marqueurs génétiques à partir d’un génome séquencé, identifie les variantes (c’est-à-dire où les génomes diffèrent) et calcule les implications structurelles (forme de la molécule). Plus de 4’000 gènes ont déjà fait l’objet de preuves expérimentales les reliant à des maladies humaines ne disposent pas de données structurelles suffisantes pour la conception de médicaments traditionnels – une augmentation potentielle de 4 fois des médicaments approuvés par la FDA existant aujourd’hui.

La découverte de médicaments commence par le criblage de milliards de composés ; l’IA optimise la recherche et aide à craquer la structure moléculaire. Le supercalculateur du Oak Ridge National Laboratory a permis de cribler 2 milliards de molécules en 1 jour, ce qui aurait auparavant nécessité 3 mois.

Récemment, avec la fusion de nombreuses images avec la cristallographie aux rayons X, les programmes d’IA ont permis de construire la structure du “virus COVID-19”.

Les simulations de l’interaction entre les candidats sélectionnés et leur cible permettent de sélectionner des molécules aux propriétés supérieures et d’obtenir de meilleurs résultats cliniques. Grâce aux plates-formes d’IA (par exemple celle développée par Schrödinger), les molécules peuvent être optimisées avant synthèse. Cela permet aux développeurs d’explorer beaucoup plus de candidats potentiels, d’éviter les pertes de temps et d’argent et, au final, de fournir un médicament de meilleure qualité.

Optimiser la conception des essais cliniques

La variabilité génétique des patients et des maladies rend difficile l’optimisation de la composition du groupe de patients dans les futurs essais cliniques. Une mauvaise conception de l’essai pourrait conduire à des résultats non significatifs sur le plan statistique.

L’IA peut prédire les réponses des patients en fonction de leur profil génétique et aider à stratifier dans le groupe des répondeurs et des non-répondeurs avant de participer aux essais cliniques. Et les approches du traitement du langage mettent en corrélation diverses bases de données, depuis les données de séquençage jusqu’à la littérature médicale et aux données du monde réel.

L’objectif est de sélectionner les profils moléculaires des patients qui pourraient le mieux répondre aux médicaments candidats en étudiant toutes les données disponibles (données épigénomiques, génomiques et protéomiques – voir le tableau).

La plateforme d’IA de Lantern Pharma utilise l’apprentissage automatique pour construire une carte de plus de 500 millions de points de données, avec un objectif de 1 milliard de points de données d’ici 2021. À partir de cette carte, ils sélectionneront les 500 principaux gènes qui contribuent à la réponse aux médicaments.

Alimenter et accélérer le moteur de l’innovation

La découverte de médicaments a été sous les projecteurs en 2020, ce qui a permis de réduire les délais de développement des vaccins de 10 ans à 10 mois. Une enquête menée en 2019 par la Pistoia Alliance a révélé que 70 % des chercheurs en sciences de la vie utilisent l’IA – ou apprentissage machine – et que leur adoption augmente rapidement.

Le marché de l’IA pour la seule découverte de médicaments est estimé à 2,9 milliards de dollars (contre 343 millions de dollars en 2020).

L’innovation peut être aussi source de rentabilité. Actuellement, le coût de développement d’un médicament est de l’ordre de 2 milliards de dollars, 12 ans de R&D et un taux d’échec de 90%. Il en résulte un faible retour sur investissement. Grâce à l’utilisation de l’IA, la vitesse de découverte de médicaments et de passage par les étapes précliniques peut être accélérée par un facteur de 15.

Par exemple, l’IA d’InSilico Medicine pour la conception de novo de petites molécules a démontré la création d’un produit en 21 jours, pour un coût de 150’000 dollars seulement.

Un écosystème d’IA dynamique au service de la biotechnologie

La biologie connaît un moment d’IA avec une augmentation des publications >50% annualisé depuis 2017, et cette recherche se traduit par une myriade de produits et d’applications.

Le financement des start-ups dans le domaine de l’IA médicale a atteint pour la première fois la barre des 2 milliards de dollars au troisième trimestre 2020, et deux d’entre elles ont fait leur entrée en bourse cette année : Schrödinger et Lantern Pharma.

La plupart des grandes entreprises pharmaceutiques utilisent l’IA pour la découverte de médicaments, en partenariat avec les startups et les principales entreprises du secteur du cloud. Nvidia a multiplié son programme de création par 5 au cours des trois dernières années, ajoutant sa millième entreprise de santé au 4e trimestre 2020.

Catalyseurs

  • Données et puissance de traitement. Nous produisons plus de données biomédicales en trois mois que durant l’ensemble des 300 ans d’histoire de la santé. De nouveaux modèles de traitement naturel du langage et des simulations accélérées par l’IA transforment la manière dont ces données peuvent être exploitées.
  • Les biotechnologies sous les feux de la rampe. La COVID-19 a démontré les avantages de l’IA appliquée à la découverte de traitements. L’écosystème se tourne maintenant vers des possibilités allant au-delà des vaccins.
  • Validation des objectifs à toutes les étapes. Les composés sélectionnés au cours des phases de découverte entrent en phase clinique. Le premier médicament créé par l’IA d’Exscientia est entré en phase d’essai fin 2020 et les médicaments de Schrödinger entreront en phase clinique en 2021.

Risques

  • L’espoir ou le battage médiatique. L’IA est un nouvel espoir pour relancer le modèle de découverte des médicaments. Les promesses doivent encore être tenues à plus grande échelle et les nouvelles approches rigoureusement validées.
  • Réglementation. La FDA et d’autres organismes de réglementation ont tendance à être lents lorsqu’il s’agit d‘innovations technologiques.
  • Mise en œuvre de l’IA dans le cadre de maladies complexes. Les modèles d’IA tiennent encore rarement compte de la complexité biologique, et les liens entre les composés et les effets cibles ne sont pas encore bien compris. La conception et les simulations in-silico doivent encore être confirmées par des essais sur le terrain et des essais cliniques.