L’intelligence artificielle (IA) révolutionne la recherche et le développement de médicaments, offrant l’espoir d’accélérer la mise sur le marché de nouvelles thérapies et de réduire considérablement les coûts. Face à des délais traditionnellement longs et coûteux, les outils d’IA et d’apprentissage automatique (ML) se présentent comme des accélérateurs prometteurs, notamment dans un contexte post-pandémique où la rapidité d’innovation est cruciale.
Le développement d’un nouveau médicament est un processus ardu, nécessitant en moyenne 12 ans et un investissement avoisinant les 2 milliards de dollars (environ 1,8 milliard d’euros) pour aboutir à une approbation par les autorités sanitaires. Le taux de réussite global, de la phase I des essais cliniques à la mise sur le marché, est faible, atteignant seulement 6,2 % selon une étude récente portant sur plus de 21 000 composés. Malgré des dépenses annuelles de plus de 50 milliards de dollars en recherche et développement (R&D) par les grandes entreprises pharmaceutiques, la Food and Drug Administration (FDA) américaine n’approuve en moyenne que 30 nouvelles molécules par an.
L’IA offre la perspective de réduire ces délais de 500 jours et de diminuer les coûts de développement de 25 %. En analysant la structure moléculaire sous forme de graphes, les réseaux de neurones graphiques et d’autres techniques basées sur l’IA peuvent prédire l’interaction des médicaments avec leurs cibles biologiques. Des approches innovantes, comme le réseau neuronal de transmission de messages basé sur l’auto-attention (SAMPN), permettent d’étudier la relation entre les propriétés chimiques et la structure des molécules de manière interprétable.
L’impact de l’IA se fait également sentir dans la conduite des essais cliniques. L’exploitation des données du monde réel (RWD) et l’utilisation de modèles d’IA permettent d’accélérer la compréhension des maladies, d’identifier les patients et les investigateurs pertinents, et d’optimiser la sélection des sites d’étude. L’IA peut également améliorer le recrutement des patients, la surveillance, l’observance thérapeutique et la gestion des données, ouvrant la voie à des essais in silico, basés sur des simulations informatiques avancées.
Parallèlement à la découverte de nouveaux médicaments, la réutilisation de molécules existantes, déjà approuvées pour d’autres indications, représente une stratégie rapide et économique. L’IA facilite ce processus en permettant de cribler et de classer in silico les médicaments susceptibles d’interagir avec les protéines virales essentielles. L’hydroxychloroquine et le remdésivir, bien que l’utilisation de l’hydroxychloroquine soit désormais déconseillée, illustrent le potentiel de cette approche. Le remdésivir a d’ailleurs bénéficié d’une autorisation d’utilisation d’urgence (EUA) de la FDA dès le 1er mai 2020.
L’efficacité des algorithmes de ML repose sur la disponibilité de grandes quantités de données, heureusement accessibles grâce aux informations partagées par les agences et organisations de santé. Différents modèles de ML, tels que les réseaux de neurones profonds (DNN), les machines à vecteurs de support (SVM) et les forêts aléatoires (RF), peuvent être utilisés pour prédire l’efficacité des médicaments et identifier de nouvelles indications. Des outils comme le Drug Repurposing Knowledge Graph (DRKG) regroupent des informations sur les gènes, les composés, les maladies et les effets secondaires, facilitant ainsi la réutilisation des médicaments.
Dans un secteur de la santé de plus en plus compétitif, l’adoption de l’IA est devenue essentielle pour accélérer l’innovation et répondre aux besoins croissants des patients. L’apprentissage automatique offre un potentiel considérable dans la R&D pharmaceutique, et son exploitation ne fait que commencer.