Molécule d’ADN lumineuse abstraite. Médecin utilisant une tablette et vérifiant avec analyse l’ADN génétique des chromosomes … [+] de l’humain sur l’interface virtuelle. Médecine. Sciences médicales et biotechnologie.
getty
Co-écrit par Chuck Brooks et Dr Thomas A. Cellucci, PhD, MBA
Les secteurs verticaux qui seront les plus touchés par les développements innovants en matière de technologie et de science sont les disciplines de la médecine, de la biotechnologie et de la santé. Ces secteurs industriels connaîtront une profonde croissance de l’innovation technologique dans un avenir proche.
Il y a vingt ans, Craig Venter et Daniel Cohen disaient : « Si le 20e siècle a été le siècle de la physique, le 21e siècle sera le siècle de la biologie. » Depuis lors, des progrès étonnants ont été réalisés dans les domaines de la biotechnologie et des biosciences, avec la promesse de percées encore plus étonnantes à venir. Au cours de la dernière décennie, nous avons assisté à des progrès significatifs dans le domaine de l’intelligence artificielle, avec des implications radicales à long terme pour toutes les activités humaines. Et aujourd’hui, la convergence des domaines de la physique, de la biologie et de l’IA promet un impact bien plus important sur l’humanité que n’importe lequel de ces domaines pris isolément. Même s’il existe une voie pour réussir l’intégration de ces domaines, elle n’est ni facile ni claire, mais si elle est effectuée correctement, elle révolutionnera la médecine et la santé humaine.
Le projet Génome humain n’était que le début du voyage visant à trouver des traitements pour les maladies humaines. Nos gènes ne sont qu’un simple livre de codes permettant de fabriquer différentes protéines. Ces protéines sont les éléments fondamentaux de nos structures cellulaires et sont responsables de leurs fonctions essentielles. Comprendre les processus biologiques à l’origine d’une maladie signifie identifier la ou les protéines spécifiques dont les effets indésirables sur l’organisme sont à l’origine de cette maladie. Pour traiter la maladie, un agent thérapeutique est nécessaire. Celui-ci est généralement administré sous forme de pilule ou d’injection et contient des molécules médicamenteuses actives qui se lient aux copies d’une protéine associée à la maladie et modifient leur fonctionnement.
Les 4 étapes clés associées à la recherche de traitements pour les maladies humaines sont les suivantes :
1) Déterminer quelles protéines sont impliquées dans la maladie
2) Veiller à ce que nous puissions produire ces protéines sous une forme propice aux tests et déterminer leurs structures, soit expérimentalement, soit au moyen de modèles informatiques.
3) Trouver des liants pour ces protéines (ces liants sont les médicaments candidats, et cette étape est la plus importante)
4) Testez d’abord ces classeurs in vitropuis faire passer les plus prometteurs aux tests sur les animaux, et enfin sélectionner les meilleurs pour les essais cliniques chez l’homme
Étape 1 : identification des protéines cibles
Des travaux considérables ont été réalisés dans les laboratoires du monde entier au cours des trois dernières décennies pour identifier les protéines impliquées dans diverses maladies. Ce travail se poursuivra dans un avenir proche, et les graphiques de connaissances basés sur l’IA peuvent compléter et accélérer le travail des biologistes.
Pour cartographier et caractériser toutes les protéines codées et produites par le génome humain, les scientifiques se sont lancés dans le Human Proteome Project (HPP). Jusqu’à présent, HPP a caractérisé 18 397 des 19 778 protéines estimées qui composent le corps humain.[1] Cependant, on estime que seulement 10 248 personnes jouent un rôle dans les maladies humaines.[2] Ce sous-ensemble de protéines est ce que les scientifiques appellent le protéome « médicamentable ».
Étape 2 : isoler les protéines cibles et déterminer leur structure
Pour vérifier si un candidat médicament fonctionne, il doit être testé contre une protéine cible impliquée dans une maladie. L’isolement des protéines cibles est important pour garantir que les protéines cibles sont disponibles pour les tests contre les médicaments candidats et pour déterminer leurs structures tridimensionnelles. Certaines protéines sont faciles à isoler et à purifier ; d’autres ne peuvent être produits qu’en conjonction avec leur machinerie cellulaire associée. Les scientifiques ont fait d’énormes progrès dans la détermination des structures tridimensionnelles de ces protéines cibles grâce à la cristallographie aux rayons X et à la RMN. Ces structures sont disponibles gratuitement pour tous et peuvent être utilisées dans des bases de données telles que la Protein Data Bank (PDB). Désormais, l’IA aide à comprendre les structures de ces protéines pour lesquelles nous n’avons pas encore validé expérimentalement les structures.
Étape 3 : Trouver des candidats médicaments
L’étape la plus cruciale
Une fois que la protéine cible est correctement caractérisée, commence alors le défi véritablement intimidant de rechercher des molécules de type médicament qui se lient à la protéine et interviennent efficacement dans le processus pathologique. Tout le travail des étapes 1 et 2 ne servira à rien si nous ne parvenons pas à trouver des médicaments candidats qui se lient aux protéines cibles. Les médicaments dits à petites molécules constituent le pilier de la médecine moderne. La plupart des produits pharmaceutiques sont petites molécules. Non seulement ces molécules organiques de faible poids moléculaire peuvent se lier aux protéines associées à la maladie à l’extérieur des cellules, mais elles peuvent également traverser les membranes cellulaires pour se lier aux protéines cibles à l’intérieur des cellules. Généralement administrés par voie orale sous forme de médicaments de longue conservation, les produits pharmaceutiques à petites molécules peuvent également être fabriqués et distribués efficacement.
Un processus difficile
Molécules de type médicament
Dr Thomas Cellucci
Même s’il était possible d’accélérer comme par magie la création de toutes nouvelles structures chimiques jusqu’à une par seconde, il faudrait plus de trois septillions (c’est-à-dire trois plus 25 zéros) d’années pour créer un décillion de chémotypes. C’est bien plus de deux billions de fois l’âge actuellement estimé de l’univers ! En d’autres termes, déterminer quelles petites molécules pourraient constituer des médicaments viables grâce à la synthèse et aux tests par force brute est une tâche totalement impossible.
Certaines entreprises se sont tournées vers l’IA pour remplacer l’expérimentation par essais et erreurs. Mais l’IA peut-elle vraiment aider dans le domaine de la découverte de médicaments à petites molécules ? L’IA ne produit que des solutions similaires à celles pour lesquelles elle a vu des exemples dans les données utilisées pour l’entraîner. S’attendre à ce que l’IA trouve des médicaments candidats pour lesquels il n’existe aucune donnée préexistante est encore plus déraisonnable que de s’attendre à ce que Chat GPT, formé exclusivement sur d’énormes quantités de texte de pages Web en anglais, construise soudainement des phrases dans un russe parfait. L’IA trouvera des molécules ressemblant à des médicaments similaires aux moins de 10 millions de chémotypes pour lesquels des données expérimentales existent déjà, mais elle ne pourra pas explorer les autres décillions de possibilités. L’IA formée sur les données existantes ne peut pas percer les secrets d’un million de composés non examinés.
Et si les sociétés pharmaceutiques pouvaient concevoir des molécules inédites sur ordinateur et déterminer si elles se lieraient à une protéine cible sans avoir à fabriquer la molécule, à isoler la protéine et à mener des expériences ? Nous utilisons déjà quotidiennement de telles technologies dans d’autres domaines. Par exemple, personne n’érige des modèles réduits de bâtiments ou de ponts pour vérifier s’ils résisteront avant de les construire.
Mais modéliser la physique quantique de la façon dont une molécule médicamenteuse se lie à une protéine dans l’eau est un défi d’une complexité redoutable. Tenter de modéliser l’interaction entre une protéine comportant des milliers d’atomes et une molécule de type médicament comportant des centaines d’atomes devient rapidement insoluble, dépassant la puissance de calcul même des nuages informatiques les plus avancés. Pour faire face à ce niveau extrême de complexité, la plupart des sociétés de technologies de découverte de médicaments basées sur la simulation ont constaté que des compromis drastiques étaient nécessaires. Ces compromis impliquaient des approximations grossières de la physique et des raccourcis informatiques. Et invariablement, ces compromis ont conduit à des inexactitudes flagrantes lors de la modélisation des interactions moléculaires.
Les approches basées sur l’IA et celles basées sur la physique sont-elles des impasses ? Pas tout à fait. Diverses entreprises tentent encore les deux approches. Cependant, pour atteindre une précision suffisante, il faut des avancées fondamentales significatives dans la modélisation de la physique des interactions protéine-médicament. Robert Karr, ancien vice-président principal de la stratégie R&D de Pfizer, souligne qu’une société, Verseon, a construit une plate-forme transparente intégrant des avancées exclusives en physique et en IA. Selon lui, « la plateforme révolutionnaire de Verseon change la façon dont les médicaments peuvent être découverts et développés, et la société est sur le point d’avoir un impact considérable sur la médecine moderne. » Après avoir examiné la plateforme de découverte de médicaments de la société, le lauréat du prix Nobel Hartmut Michel a déclaré : « Les progrès fondamentaux réalisés par Verseon dans la modélisation mécanique quantique des interactions protéine-médicament sont extrêmement impressionnants. »
Verseon a développé une technologie permettant de concevoir de nouvelles molécules médicamenteuses inédites sur ordinateur. Les avancées de la société en matière de modélisation de la physique quantique, qu’elle appelle Deep Quantum Modeling™ (DQM™), sont suffisamment précises pour déterminer si ses nouvelles molécules de type médicament conçues par ordinateur se lieront à une protéine cible avant de les fabriquer et de les tester en laboratoire. Et l’IA formée sur les données de ces nouvelles molécules identifiées par DQM contribuera à générer davantage de variantes parmi lesquelles sélectionner les meilleures pour les essais cliniques.
Étape 4 : Tests in vitro, précliniques et cliniques
Tous les nouveaux médicaments candidats doivent encore être soumis à des essais précliniques et cliniques pour établir pleinement leur sécurité et leur efficacité. Ce processus prend généralement des années, et des améliorations de processus qui accéléreraient la commercialisation de nouveaux traitements prometteurs seraient une aubaine bienvenue. L’IA peut aider avec la documentation réglementaire. Tisser est un exemple d’entreprise vendant des solutions qui utilisent l’IA pour rationaliser le processus de préparation des dossiers réglementaires de médicaments nouveaux expérimentaux (IND). La préparation des IND est un domaine qui pourrait bénéficier de l’automatisation. La société vante sa capacité à créer des IND plus rapidement sans sacrifier la qualité et offre un meilleur contrôle sur l’organisation des données pour les dépôts d’IND.
Les tests basés sur les organoïdes humains au cours du processus préclinique sont une technique émergente qui peut considérablement améliorer la caractérisation du comportement d’un médicament dans les essais cliniques. Les organoïdes sont des versions miniatures d’organes du corps humain générés à l’aide de cellules souches adultes. Après avoir prélevé des échantillons sur des patients et des volontaires, ces répliques cultivées en laboratoire imitent la fonction de divers organes. Tester des candidats-médicaments sur des organoïdes peut donner de nombreux indices sur la façon dont le corps humain réagirait à un candidat-médicament avant les essais sur l’homme.
Les régulateurs comme la FDA américaine sont chargés d’éliminer les médicaments candidats dangereux et inefficaces qui entrent dans les pipelines d’essais. Mais c’est un processus qui prend des années une fois que les candidats-médicaments entrent en clinique. La longue attente d’approbation frustre à la fois les entreprises désireuses d’entrer sur le marché avec des produits innovants et les patients désespérés à la recherche d’une solution à un problème médical grave. La nécessité d’accélérer le processus n’échappe pas aux régulateurs. La FDA américaine a mis en place des processus tels que les désignations Fast Track et Breakthrough Therapy pour accélérer le processus d’essais cliniques de nouveaux médicaments présentant des propriétés thérapeutiques particulièrement souhaitables.
Les implications de l’utilisation à leur plein potentiel des progrès de la physique, de la biologie et de l’IA
En supposant que l’écosystème du développement pharmaceutique tire pleinement parti et coordonne l’utilisation des avancées telles que celles décrites ci-dessus, que pourrait réaliser la médecine ?
Les technologies émergentes en médecine et en sciences de la vie contribuent à une évolution vers l’intérieur. Les scientifiques tirent des enseignements de l’augmentation exponentielle des données sur notre santé et nos états pathologiques, grâce à l’analyse des données et aux informations basées sur l’IA générées à partir de ces données. Ils développent une compréhension plus approfondie de l’ensemble des protéines impliquées dans la progression de la maladie et des meilleures voies de traitement et de prévention.
Étant donné que la plupart des maladies majeures sont associées au vieillissement, la régulation des fonctions des protéines dans notre corps permettra à la médecine de préserver un état de jeunesse et d’absence de maladie bien plus longtemps qu’il n’est possible aujourd’hui – et éventuellement même de rajeunir partiellement notre corps au niveau cellulaire. Ces progrès pourraient permettre de transformer 80, 90 ou même 100 en 50. Mais avant même que de telles augmentations spectaculaires de la durée de vie de la santé humaine ne se produisent, les progrès vers la lutte contre de larges sous-ensembles du protéome médicamentable fourniront un flux constant de nouveaux médicaments étonnants. . Ces médicaments traiteront un grand nombre de maladies bien mieux que nous ne le pouvons aujourd’hui. Alors le 21e siècle s’imposera bel et bien comme le siècle de la biologie.
IcrThe Drug Discoverer – Gravir les sommets de la découverte de médicaments – s’attaquer aux cibles les plus difficiles avec ingéniosité et réalisme – The Institute of Cancer Research, Londres
HupoHuman Proteome Organization (HUPO) – Accueil
#physique #biologie #lIA #transformeront #santé #humaine
