Le parcours depuis la découverte d’un composé thérapeutique potentiel jusqu’à son approbation par les autorités de réglementation en tant que nouveau médicament peut prendre plus de 10 ans et coûter plus d’un milliard de dollars.
Une équipe de recherche du CUNY Graduate Center a développé un modèle d’intelligence artificielle qui peut améliorer considérablement la précision et réduire le temps et le coût du processus de développement de médicaments.
Comme détaillé dans un article récent publié dans Nature Machine Intelligence, un nouveau modèle appelé CODE-AE peut sélectionner des médicaments candidats et prédire avec précision leur efficacité chez l’homme. Lors d’essais, le nouveau modèle a pu identifier plus de 9 000 patients avec une médecine personnalisée qui pourrait théoriquement être efficace pour leur maladie. Les chercheurs s’attendent à ce que le nouveau modèle accélère considérablement le développement et la découverte de nouveaux médicaments.
Prédire avec précision et fiabilité la réponse d’un patient à l’utilisation d’un nouveau composé chimique est essentiel pour identifier un traitement sûr et efficace et sélectionner un médicament pour un patient spécifique. Cependant, il n’est pas possible de pré-tester l’efficacité de ces médicaments directement chez l’homme. Des modèles cellulaires ou tissulaires sont souvent utilisés comme substituts du corps humain pour évaluer les effets thérapeutiques d’une molécule. Malheureusement, l’effet d’un médicament sur un modèle de maladie n’est souvent pas en corrélation avec l’efficacité et la toxicité du médicament chez les patients. Ce manque de connaissances est une des principales raisons du coût élevé et de la faible productivité du développement de nouveaux médicaments.
Notre nouveau modèle d’apprentissage automatique peut résoudre le problème du transfert de données des modèles de maladies aux humains. CODE-AE utilise la conception biologique et les avancées récentes inspirées de l’apprentissage automatique en masse. Par exemple, l’un de ses composants utilise la même technique pour créer de fausses images profondes,
Lei Xie, professeur d’informatique, de biologie et de biochimie au CUNY Graduate Center et au Hunter College.
Comme l’a noté You Wu, Ph.D., du CUNY Graduate Center, le nouveau modèle peut offrir une solution au problème d’avoir suffisamment de données sur les patients pour un modèle d’apprentissage automatique généralisé. « Bien que plusieurs méthodes aient été développées pour utiliser le dépistage des lignées cellulaires pour prédire la réponse clinique, leurs résultats ne sont pas fiables en raison d’incohérences et de différences dans les données », a souligné Yu Wu. “CODE-AE peut mettre en évidence les signaux biologiques internes masqués par le bruit et d’autres facteurs, éliminant efficacement le problème des incohérences des données.”
Par conséquent, CODE-AE améliore la précision et la fiabilité des prédictions de pointe de la réponse aux médicaments spécifiques au patient basées uniquement sur les interactions des lignées cellulaires.
La prochaine tâche de l’équipe de recherche consiste à utiliser CODE-AE pour développer une méthode qui peut être utilisée pour prédire de manière fiable la concentration et les effets métaboliques de nouveaux médicaments dans le corps humain. Les scientifiques ont également découvert que le modèle d’IA pourrait être mieux utilisé pour prédire avec précision les effets secondaires des médicaments lorsqu’il est utilisé chez l’homme.
