Avec l'épidémie mondiale de Covid-19 au début de 2020, les sociétés pharmaceutiques et les biotechnologies se sont de plus en plus tournées vers l'intelligence artificielle pour améliorer la précision et la vitesse du développement de médicaments.
L'intelligence artificielle (IA), la capacité des machines à apprendre à partir de nouvelles entrées, est un terme large pour une gamme de méthodes informatiques. Les moteurs de recommandation utilisés par les services d'achat en ligne ou de streaming utilisent des formes d'IA pour connaître les préférences des consommateurs et adapter les recommandations en conséquence. Cette même technologie peut être utilisée pour prédire quels médicaments sont plus susceptibles d'être efficaces contre une cible spécifique sans provoquer d'effets secondaires graves.
L'IA offre un haut niveau de précision à la phase de découverte compliquée et longue du développement de médicaments. Cette précision conduit à des délais de développement plus rapides et à un risque d'échec plus faible sur la route.
« Nous utilisons la technologie de l'IA pour concevoir les meilleures molécules de leur catégorie parfaitement adaptées au développement clinique » explique Andrew Hopkins, PDG de la société britannique Exscientia, qui a récemment levé 435 millions d'euros (525 millions de dollars) de série D pour financer ses efforts d'application de l'IA à la découverte de médicaments.
« La découverte de médicaments est une ingénierie de précision à l'échelle moléculaire, et nous nous concentrons toujours sur la qualité de nos molécules. La fabrication de molécules bien équilibrées qui offrent des propriétés concurrentes signifie qu'elles sont moins susceptibles d'échouer pendant les phases de développement du médicament. »
L'IA donne également aux chercheurs le pouvoir d'analyser des ensembles de données disparates. Par exemple, il peut combiner de vastes bibliothèques de composés chimiques, des données biomédicales de la littérature et des données sur la santé des patients dans des graphiques de connaissances. Ce modèle de données crée de nouvelles connexions et de nouvelles informations sur des informations auparavant non liées, que les chercheurs peuvent utiliser pour faire des prédictions, modéliser de nouvelles voies et états pathologiques et tester leurs résultats.
La poussée de la pandémie
La précision et la vitesse ont fait de l'IA un outil idéal pour aider à trouver des traitements et des vaccins pour Covid d'une manière que le développement de médicaments hérités ne pourrait pas.
beaucoup étaient prêts à explorer comment l'IA pourrait accélérer et réduire les risques du processus. »
L'année dernière, la société londonienne BenevolentAI a appliqué avec succès l'IA pour trouver rapidement un traitement potentiel contre le Covid en réutilisant le baricitinib, un médicament rhumatologique. Le conseiller scientifique de BenevolentAI, Jackie Hunter, remarque qu'ils ont fait évoluer une idée en un résultat de recherche exploitable en aussi peu que 48 heures.
"C'est notre PDG, Joanna Shields, qui a dit" nous devons faire quelque chose, nous avons la capacité avec notre plate-forme de voir s'il y a un médicament que nous pourrions repositionner pour avoir un effet [on Covid]. Bien sûr, vous avez d'abord besoin d'un scientifique qui va poser la bonne question. Dans notre cas, notre vice-président de la pharmacologie, Peter Richardson, s'est rendu compte que nous avions besoin de quelque chose d'anti-inflammatoire [that] affecte réellement l'entrée virale ou la réplication virale.
"En utilisant notre graphique de connaissances, nous pourrions poser ce genre de questions, extraire des composés et interroger les voies qui pourraient conduire à l'identification de ces molécules qui auraient une action anti-inflammatoire, mais qui pourraient également inhiber l'entrée virale dans la cellule."
Accès amélioré aux données
L'IA est spécialement conçue pour traiter de vastes bibliothèques de données – les mégadonnées – que les systèmes de traitement de données traditionnels ne peuvent pas gérer. Cela permet aux chercheurs de travailler avec de grands ensembles de données tels que les taux d'infection à Covid à l'échelle de la population ou des décennies d'articles de recherche accumulés.
Cependant, le big data n'est pas toujours la meilleure option. « Concevoir une nouvelle molécule contre une nouvelle cible est intrinsèquement un petit problème de données - il y a tout simplement moins de données accumulées disponibles pour les cibles nouvellement identifiées. » dit Hopkins.
L'accès à des données significatives peut être un défi, quelle que soit leur taille. Elle peut être limitée par des intérêts commerciaux ou la confidentialité du patient. Selon Hunter, l'urgence sanitaire de Covid a permis de surmonter certaines de ces limitations et a peut-être contribué au partage de données pour l'avenir.
«Ce que Covid a fait, c'est montrer que vous pouvez partager les données des patients sans compromettre l'intégrité des données des patients, ni aucun des problèmes liés à l'anonymat des patients. Et parce que cela a démontré des avantages, en termes de résultats pour les patients, c'est un bon exemple [showing how] ne pas le faire aurait vraiment tout ralenti et les gens n'auraient pas accès aux traitements qu'ils ont.
L'IA et les nouvelles méthodes de travail
Le partage de données peut également contribuer à de nouvelles collaborations entre des entités de recherche ou commerciales auparavant distinctes. Bien qu'il ne s'agisse pas d'un nouveau concept dans le développement de médicaments, la pandémie l'a accéléré alors que de nouveaux partenariats combinaient l'expertise en essais cliniques, en fabrication et en distribution. Le temps record de mise sur le marché de Pfizer et BioNTech avec un vaccin Covid efficace démontre la synergie possible avec de telles collaborations.
« Notre opinion est que l'interface entre l'IA, l'apprentissage automatique et la pharma est potentiellement révolutionnaire et similaire à ce que nous avons vu lorsque la biologie moléculaire et la pharma se sont réunies pour nourrir la biotechnologie il y a 40 ans. » dit Hopkins.
De telles collaborations ont besoin d'équipes interfonctionnelles pour travailler efficacement dans toutes les organisations et au sein de celles-ci, où les compétences et les cultures de travail doivent être réunies. L'une des applications où cela devient évident est in silico les essais cliniques, qui utilisent l'IA pour la modélisation informatique et la simulation de la biologie des humains sains, des états pathologiques et des traitements. Cela permet de réduire les coûts, la complexité et les risques du processus de développement de médicaments. Alors que les sujets humains restent la mesure de test critique pour les nouveaux médicaments, la sortie de la machine uniquement in silico les essais peuvent éclairer plus profondément la recherche et le processus de décision, en particulier lors du passage de la phase préclinique aux essais humains plus coûteux et plus complexes.
Selon François-Henri Boissel, co-fondateur et PDG de Novadiscovery – une entreprise qui utilise l'IA pour exécuter des simulations d'essais cliniques – Les domaines d'expertise traditionnellement cloisonnés doivent se combiner avec l'approche agile et collaborative des organisations technologiques modernes.
« Avec l'adoption de in silico [simulations], nous essayons de construire des modèles de maladies assez complexes, et nous avons besoin de tout le monde à bord. Nous avons besoin de la contribution d'un éventail d'experts dans des domaines tels que l'immunologie, la fibrose, la planification d'expériences, la conception d'essais cliniques, la modélisation mathématique, le développement de logiciels et l'expertise en science des données. C'est naturellement collaboratif et, indépendamment des essais in silico, je pense que c'est une tendance que les entreprises pharmaceutiques ont commencé à adopter également. »
Les blocages pandémiques ont poussé la pharma à se tourner vers in silico essais cliniques pour poursuivre le développement de médicaments pendant les périodes où il est plus difficile de recruter des sujets humains. Boissel pense que cette tendance est très susceptible d'augmenter, conduisant à une augmentation du nombre d'essais cliniques utilisant des cibles et des populations de patients plus petites et plus ciblées.
Surmonter les limites de l'IA
Malgré les promesses de la technologie, il est peu probable que l'IA remplace les sujets de test humains de si tôt, et exploiter sa puissance repose sur l'apport humain pour répondre à la bonne question.
« Le défi est d'éviter de trop compliquer votre modèle. Vous voulez vraiment avoir le bon niveau de connaissances et d'informations et l'inclusion des bons sous-systèmes biologiques pour répondre correctement aux questions posées. Parce que la biologie humaine est très complexe, vous pourriez passer une vie entière à construire un modèle mathématique du corps humain », explique Boissel.
Pourtant, bien que l'IA offre le pouvoir de collecter, d'assimiler et d'analyser des ensembles de données vastes et disparates, elle ne peut pas évaluer la valeur des données pour les chercheurs. Boissel suggère qu'il est plus avantageux de conserver de plus petits volumes de données de haute qualité pour créer des représentations mathématiques de ce que nous savons déjà et combiner cela avec des années de connaissances et d'expertise scientifiques et cliniques d'une manière plus significative. Des intrants plus ciblés contribuent à des extrants plus ciblés, ce qui donne également confiance aux chercheurs dans ces extrants.
Une autre façon de créer une sortie plus fiable consiste à créer des systèmes d'IA qui peuvent offrir une explication à leurs réponses. George Paliouras, chercheur principal à l'Institut d'informatique et de télécommunications du NCSR Demokritos en Grèce, étudie ce genre de problèmes d'IA. Paliouras a dirigé les recherches pour iASiS, un projet européen étudiant l'utilisation de l'IA et des mégadonnées en médecine de précision, qui a conduit à la création de LangAware, une startup qui utilise la reconnaissance du langage pour détecter la maladie d'Alzheimer.
« Un aspect de l'IA qui pose toujours problème est les réseaux de neurones et leur manque de transparence pour les applications de santé. Pour faire confiance à une décision, nous devons savoir pourquoi cette décision a été prise », Paliouras explique.
« Par exemple, l'IA peut révéler un patient sujet à la maladie d'Alzheimer, mais pourquoi ? Sur quelles données le système a-t-il utilisé pour baser cette décision ? Ceci est très, très important pour toutes les applications de santé de l'IA. Donc, à l'heure actuelle, un domaine chaud de l'IA est connu sous le nom d'« IA explicable », ou IA avec des décisions compréhensibles par les humains.
En 2020, son équipe a lancé le projet BioASQ Synergy pour pousser les systèmes d'IA plus loin pour trouver des réponses aux questions difficiles de Covid. Le projet implique des chercheurs et des scientifiques qui posent des questions aux systèmes d'IA concurrents, telles que « y a-t-il une relation entre l'exposition à la pollution de l'air et la mortalité liée au Covid-19 ? Bien que la sortie dérivée de l'IA ne fournisse pas toujours une réponse précise à la question, l'objectif est qu'elle soit compréhensible et utile pour les humains.
Changer les perceptions de l'IA et des données
D'autres défis à l'utilisation de l'IA existent en dehors de la technologie. Par exemple, le partage de données de santé personnelles reste un sujet controversé. De nombreuses personnes craignent que leurs données personnelles ne se retrouvent entre de mauvaises mains. Pour les prestataires de soins de santé et autres collecteurs de données sur les patients, un argument pour limiter le partage est l'absence d'un moyen sûr d'anonymiser complètement (et définitivement) les données.
Paliouras pense que ces barrières sont en grande partie artificielles et affirme que la recherche indique que les patients sont plus disposés à partager leurs données qu'on ne le pense. Surmonter les obstacles des prestataires de soins de santé, des organisations commerciales protégeant les actifs de données ou des chercheurs et éditeurs contrôlant la publication des résultats se résume en fin de compte à une idée simple.
« Je pense que nous devrions interpréter le [data protection laws] d'une manière qui donne au patient le contrôle de toutes ses données. Ensuite, nous devons leur donner ce contrôle et les connaissances nécessaires pour décider que leurs données peuvent et doivent être partagées dans un but particulier. »
Il suggère qu'une solution de contournement possible est l'apprentissage fédéré, qui pourrait impliquer l'utilisation de techniques d'IA directement au point de collecte de données, comme les hôpitaux. Cette approche permet aux chercheurs de générer des modèles agrégés basés sur ces données, plutôt que de les récolter et de les déplacer ailleurs, en contournant efficacement le problème de propriété.
Il y a aussi un problème de perception avec l'idée que des machines conçoivent des médicaments destinés au corps humain et les risques que certains pensent que cela pose. Alors que l'IA a le potentiel d'être utilisée à des fins néfastes telles que des armes intelligentes, son utilisation dans le développement de médicaments reste dans les limites du domaine médical hautement réglementé. Comme l'adoption de in silico essais augmente, la FDA et l'EMA ont établi des réglementations à ce sujet.
Bien que la pandémie ait facilité l'accès aux données, il faudra du temps pour résoudre tous les problèmes de mise en œuvre de la technologie de l'IA. Pendant ce temps, les avantages de l'IA pour le développement de médicaments et la santé humaine continueront de croître de manière exponentielle à mesure que les connaissances et l'expérience augmentent et que la technologie continue de progresser. L'IA a déjà permis de nombreuses choses impossibles il y a quelques années à peine. Comme le commente George Paliouras, il est difficile d'imaginer des traitements tels que la thérapie génique sans elle.
« L'espace des possibilités et des choix en recherche génétique est immense. Imaginez un gène qui a quelques millions de bases. S'ils recherchent des séquences alternatives au sein de cette séquence plus grande, les possibilités sont de 10 à 16, et les chercheurs pourraient avoir à choisir dix molécules à essayer. L'IA fait de ce processus une réalité de manière efficace et systématique.
Watson souligne le potentiel important que l'IA continuera d'avoir pour ses recherches sur les maladies rares, où 95 % des affections n'ont toujours pas de traitement approuvé.
« Nous devons tous réfléchir profondément à la manière dont nous équilibrons le besoin de protéger les informations sensibles avec les opportunités croissantes offertes par des outils avancés comme l'intelligence artificielle. Il doit y avoir un dialogue ouvert qui s'appuie sur les leçons tirées de cette pandémie et permet à chacun – patients, public, chercheurs, industrie et gouvernement – de partager leur vision des soins de santé de l'avenir. »
« Les entreprises de biotechnologie doivent parler de leurs réalisations, mais en le faisant de manière responsable, sans exagérer » dit Chasseur. « Aider les gens à comprendre à quel point la recherche a réussi à utiliser l'IA… de manière simple, pour faire des choses qui n'auraient pas pu être faites auparavant. »
