Développer de nouveaux médicaments grâce au deep learning

Partager
Israël

Actualité
Israël | Biologie : médecine, santé, pharmacie, biotechnologie | Sciences et technologies de l’information et de la communication : TIC, télécoms, micro-nanotechnologies, informatique
5 avril 2019

Les docteurs Kira Radinsky et Shahar Harel, du département d’informatique du Technion, ont mis au point un système intelligent pour le développement de nouveaux médicaments. Fondé sur l’intelligence artificielle et le deep learning, le système devrait réduire considérablement les coûts de développement des médicaments.

La production de médicaments est un processus long et coûteux. En effet, les coûts vont d’un demi-milliard à 2,5 milliards de dollars par médicament, sur 10-15 ans. Ce sont des chiffres courants dans le monde de l’industrie pharmaceutique.
Dans le passé, de nouveaux médicaments ont été découverts par hasard, la découverte de la pénicilline en étant l’exemple le plus célèbre. Mais les processus modernes sont informatisés et plus systématiques, à commencer par un criblage d’un nombre gigantesque de molécules et la sélection de celles qui ont le plus grand potentiel thérapeutique.

Des chercheurs du Technion, les docteurs Kira Radinsky et Shahar Harel, ont développé une nouvelle approche pour la génération de molécules thérapeutiques candidates. Selon l’équipe du Technion, l’hypothèse de travail est que le vocabulaire de chimie organique lié au développement de médicaments est similaire à celui d’une langue naturelle. Le système développé utilise l’intelligence artificielle et le deep learning. Il s’est approprié le langage basé sur des centaines de milliers de molécules, puis il lui a été fourni la composition chimique de tous les médicaments approuvés depuis 1950, qui a servi de prototype, et à partir de laquelle sont générées de nouvelles variations, c’est-à-dire de nouveaux médicaments potentiels. Afin de générer un système créatif, du « bruit » a été ajouté dans le système, ce qui engendre de la diversité et permet ainsi de générer de nombreuses variantes de médicaments existants.

Ainsi, le système repose sur un langage pharmacologique, des données sur les médicaments existants et un mécanisme favorisant la créativité. Lorsqu’ils ont demandé au système de proposer 1 000 médicaments à base de versions anciennes de ceux-ci, les chercheurs ont été surpris de découvrir que 35 des nouveaux médicaments générés par le système étaient des médicaments déjà développés et approuvés par la FDA (Food and Drug Administration) aux Etats-Unis après 1950.

Selon Dr. Radinsky, ce programme est non seulement un moyen de rationaliser les méthodes existantes, mais également de générer de nouveaux paradigmes concernant le développement de médicaments. En effet, l’ordinateur n’est pas plus intelligent que l’homme, mais il peut gérer des quantités énormes de données et trouver des corrélations inattendues. C’est ainsi qu’il a été possible de trouver (dans une autre étude) des effets secondaires inconnus de diverses associations médicamenteuses [1].

L’importance de la présente étude est à mettre en rapport avec la loi d’Eroom, qui affirme que le nombre de nouveaux médicaments approuvés par la FDA devrait diminuer d’environ 50% tous les 9 ans, si l’on tient compte du rapport entre le nombre de nouveaux médicaments mis sur le marché et l’investissement en recherche et développement. En revanche, la loi d’Eroom note que, chaque année, de moins en moins de médicaments seront commercialisés. Le deep learning permettrait ainsi de circonvenir à ce problème et d’aider au développement de nouveaux composés.
Le Dr. Radinksy prévoit que ce nouvel outil accélérera et réduira les coûts de développement de médicaments nouveaux et efficaces, réduisant ainsi le temps d’attente des patients. De plus, cette percée devrait conduire au développement de médicaments qui n’auraient pas été générés avec une approche pharmacologique conventionnelle.

[1] Kira Radinsky, Sagie Davidovich, and Shaul Markovitch. “Learning causality for news events prediction”

Sources :

Rédacteur : Guillaume Duret, post-doctorant au Technion