L'IA dans le développement pharmaceutique : Limites et applications concrètes pour les scientifiques
L'intelligence artificielle accélère la découverte de cibles et de molécules dans le développement pharmaceutique, mais ne remplace pas les experts en raison des défis liés à la qualité des données et à leur interprétabilité. AlphaFold 2 prédit les structures protéiques, avec 45 molécules générées par IA en essais cliniques, mais les jeux de données hétérogènes et l'absence de descripteurs universels nécessitent une expertise approfondie en chimie et biologie. Dans la recherche clinique, l'IA assiste avec des modèles hybrides, mais les modèles de régression simples restent préférables pour des prédictions valides.
Étapes du développement pharmaceutique et rôle des données
Le processus de création de médicaments comprend la sélection de cibles, la découverte de structures actives, les tests in vitro et in vivo, les phases cliniques et l'évaluation réglementaire. Les coûts augmentent de façon exponentielle, la plupart des candidats étant éliminés tôt.
Principaux défis :
- Identifier les mécanismes pathogènes et les sites de liaison
- Évaluer les propriétés pharmacologiques des molécules
- Interpréter les données provenant d'expériences diverses
L'IA aborde certaines tâches : AlphaFold 2 génère des structures protéiques 3D à partir de séquences d'acides aminés, réduisant les coûts pour la cryo-microscopie électronique et la cristallographie aux rayons X. Le prix Nobel 2024 décerné à Hassabis et Jumper a confirmé cette avancée.
Défis de l'IA dans la découverte de molécules
Les structures chimiques ne sont pas directement entrées dans les modèles de ML. Des descripteurs sont utilisés : physico-chimiques (logP, poids moléculaire), représentations graphiques ou empreintes de Morgan.
| Type de descripteur | Avantages | Limitations |
|---------------|-------------|-------------|
| 1D/2D (SMILES, ECFP) | Calcul simple | Ignore les conformations 3D |
| Basé sur graphe 3D | Prend en compte la géométrie spatiale | Complexité computationnelle élevée |
| Physico-chimique | Interprétabilité | Couverture incomplète des propriétés |
La haute dimensionnalité (milliers de caractéristiques) nécessite de grands jeux de données indisponibles en dehors des grands groupes pharmaceutiques. La bioactivité dépend des conditions : types cellulaires, densité des récepteurs. Les données hétérogènes conduisent à des artefacts sans prétraitement expert.
Des succès existent : D'ici 2025, 45 candidats IA en essais cliniques. La FDA a reçu >500 soumissions IA de 2016 à 2023, établissant 10 principes : approche multidisciplinaire, évaluation des risques, documentation des données.
L'IA dans les modèles cliniques : Interprétabilité vs puissance
Pour l'évaluation des effets secondaires, la régression logistique est utilisée : les prédicteurs incluent la dose, l'âge, le sexe ; le résultat est la probabilité d'événement. Le modèle est interprétable, les intervalles de confiance calculables.
Les réseaux neuronaux perdent cela : nature de boîte noire, pas d'explications, peu fiables avec de petits échantillons de phase précoce. Exemple : les modèles ignorant la biologie produisent des prédictions absurdes, comme montré dans la Figure 3 originale.
Les modèles physiologiques (PK/PD) utilisent des équations différentielles pour les processus : division cellulaire, inhibition enzymatique. Ils fournissent non seulement des prédictions mais aussi des graphiques et des études virtuelles.
Nécessitent des équipes interfonctionnelles : mathématiciens + biologistes + cliniciens vérifient les hypothèses et la physiopathologie.
Approches hybrides et orientations futures
Le compromis, ce sont les modèles hybrides : équations différentielles + réseaux neuronaux comme approximateurs de dépendances inconnues. Actuellement, ce sont des projets pilotes mais prometteurs.
L'IA assiste déjà : génère du code d'analyse (Sonata Software). Les agents IA pour construire des modèles à partir de zéro sont un domaine de recherche actif.
Points clés à retenir :
- AlphaFold 2 a révolutionné la prédiction de structure mais pas la validation de cible
- 45 molécules IA en essais cliniques, mais le succès dépend de l'interprétation experte des descripteurs
- Les modèles simples préférés en contexte clinique en raison de l'interprétabilité
- Les hybrides combinent physiologie et ML pour des prédictions fiables
- Les régulateurs exigent documentation et évaluation des risques pour l'IA
L'IA est un outil qui améliore les scientifiques mais ne les remplace pas : l'expertise en chimie, biologie et le bon sens restent essentiels pour des conclusions valides.
— Editorial Team
Aucun commentaire pour le moment.