Trois clés pour mettre en œuvre l’intelligence artificielle dans la découverte de médicaments

Les technologies basées sur l’IA sont de plus en plus utilisées pour des choses comme le dépistage virtuel, l’évaluation de l’activité biologique basée sur la physique et la prédiction de la structure cristalline des médicaments.

Malgré le buzz autour de l’intelligence artificielle (IA), la plupart des experts de l’industrie savent que l’utilisation de l’apprentissage automatique (ML) dans la découverte de médicaments n’a rien de nouveau. Pendant plus d’une décennie, les chercheurs ont utilisé des techniques informatiques à de nombreuses fins, telles que la recherche de résultats, la modélisation des interactions médicament-protéine et la prédiction des taux de réaction.

Ce qui est nouveau, c’est le battage médiatique. Alors que l’IA a décollé dans d’autres industries, d’innombrables startups ont émergé promettant de transformer la découverte et la conception de médicaments avec des technologies basées sur l’IA en choses comme le dépistage virtuel, l’évaluation de l’activité biologique basée sur la physique et la prédiction de la structure cristalline des médicaments.

Les investisseurs ont misé gros sur le succès de ces start-up. Investissement réalisé 13,8 milliards de dollars en 2020 et plus d’un tiers des cadres de big pharma rapport en utilisant les technologies de l’IA.

Alors que certains candidats « IA natifs » sont en essais cliniques, environ 90% restent en phase de découverte ou de développement préclinique, il faudra donc des années pour voir si les enjeux en valent la peine.

attentes artificielles

De gros investissements s’accompagnent d’attentes élevées – médicamenter l’impossible, réduire considérablement les délais, éliminer pratiquement le travail en laboratoire humide. intelligence interne projets que les coûts de découverte peuvent être réduits jusqu’à 70 % grâce à l’IA.

Malheureusement, ce n’est pas si facile. La complexité de la biologie humaine empêche l’IA de devenir une solution miracle. De plus, les données doivent être abondantes et suffisamment propres pour être utilisées.

Les modèles doivent être fiables, les composés potentiels doivent pouvoir être synthétisés et les médicaments doivent réussir des tests d’innocuité et d’efficacité en conditions réelles. Bien que cette dure réalité n’ait pas ralenti les investissements, elle a conduit à moins d’entreprises recevant des financements, à des dévaluations et à l’arrêt de certains programmes plus ambitieux comme Watson AI d’IBM pour la découverte de médicaments.

Cela soulève la question : l’IA pour la découverte de médicaments est-elle plus un battage publicitaire qu’un espoir ? Absolument pas.

Avons-nous besoin d’ajuster nos attentes et notre position pour réussir ? Absolument oui. Mais comment?

Trois clés pour mettre en œuvre l’IA dans la découverte de médicaments

La mise en œuvre de l’IA dans la découverte de médicaments nécessite des attentes raisonnables, des données propres et une collaboration. Regardons de plus près.

1. Attentes raisonnables

L’IA peut être un élément précieux du programme de découverte de médicaments plus large d’une entreprise. Mais pour l’instant, il est préférable de penser à une option dans une boîte à outils. Clarifier quand, pourquoi et comment l’IA est utilisée est crucial, bien que difficile.

Fait intéressant, les investissements ont largement chuté dans les entreprises développant de petites molécules, qui se prêtent à l’IA parce qu’elles sont relativement simples par rapport aux produits biologiques et aussi parce qu’il existe des décennies de données sur lesquelles construire des modèles. Il existe également une grande variation dans la facilité d’application de l’IA à travers la découverte, avec des modèles de dépistage précoce et de prédiction des propriétés physiques apparemment plus faciles à mettre en œuvre que ceux de prédiction de cible et d’évaluation de la toxicité.

Bien que l’impact potentiel de l’IA soit incroyable, nous devons nous rappeler que les bonnes choses prennent du temps. Technologie pharmaceutique demandé récemment lecteurs de projeter combien de temps il faudrait à l’IA pour atteindre son apogée dans la découverte de médicaments, et la réponse de loin la plus courante était “plus de 9 ans”.

2. Effacer les données

“Le principal défi pour créer des modèles d’IA précis et applicables est que les données expérimentales disponibles sont hétérogènes, bruyantes et rares, de sorte que la conservation et la collecte de données appropriées sont de la plus haute importance.”

Cette citation d’un 2021 Avis d’expert sur la découverte de médicaments article parle merveilleusement de l’importance de collecter des données propres. Bien qu’elle se réfère aux modèles de prédiction d’activité et à l’ADEMT, la déclaration est également valable en général. L’IA nécessite de bonnes données, et beaucoup de données.

Mais il est difficile de trouver de bonnes données. Les données accessibles au public peuvent être inadéquates, obligeant les entreprises à s’appuyer sur leurs propres données expérimentales et leurs connaissances du domaine.

Malheureusement, de nombreuses entreprises ont du mal à capturer, fédérer, exploiter et préparer leurs données, peut-être en raison de volumes de données qui montent en flèche, de logiciels obsolètes, de systèmes de laboratoire incompatibles ou d’équipes de recherche déconnectées. Le succès avec l’IA échappera probablement à ces entreprises jusqu’à ce qu’elles mettent en œuvre une technologie et des processus de flux de travail qui permettent :

  • Facilitez la capture de données sans erreur sans compter sur le traitement manuel.
  • Gérer le volume et la variété des données produites par les différentes équipes et partenaires.
  • Assurez l’intégrité des données et normalisez les données pour la préparation du modèle.

3. Collaboration

Les entreprises qui cherchent à tirer parti de l’IA ont besoin d’une vue complète de toutes leurs données, pas seulement des fragments. Cela nécessite une infrastructure de recherche qui permet aux équipes informatiques et expérimentales de collaborer, de relier les flux de travail et de partager des données entre domaines et emplacements. Une normalisation minutieuse du processus et de la méthodologie est également nécessaire pour garantir que les résultats obtenus à l’aide de l’IA sont reproductibles.

En plus de la collaboration au sein des organisations, les principaux acteurs de l’industrie collaborent également pour aider l’IA à atteindre son plein potentiel, faisant de la sécurité et de la confidentialité des préoccupations majeures. Par exemple, de nombreuses grandes sociétés pharmaceutiques se sont associées à des startups pour les aider à mener leurs efforts en matière d’IA.

Des initiatives collaboratives telles que le projet MELLODDY ont été créées pour aider les entreprises à tirer parti des données regroupées pour améliorer les modèles d’IA, et des fournisseurs comme Dotmatics construisent des modèles d’IA en utilisant les données expérimentales collectives des clients.

A propos de l’auteur

Haydn Boehm est directeur du marketing produit chez Dotmatique, un leader des logiciels de R&D scientifique qui connecte la science, les données et la prise de décision. Sa plate-forme de R&D d’entreprise et les applications préférées des scientifiques améliorent l’efficacité et accélèrent l’innovation.

Leave a Comment

Your email address will not be published.