Découvrir et concevoir un nouveau médicament est l'une des tâches les plus difficiles des sciences biologiques. Il faut plus de 10 ans et environ 2,6 milliards de dollars pour mettre un médicament moyen sur le marché.

L'idée essentielle derrière la fabrication d'un nouveau médicament est de créer une molécule qui se lie à une cible, comme une protéine ou un ADN, afin d'activer ou d'inhiber sa fonction biologique. Cette, à son tour, doit conduire à un bénéfice thérapeutique pour le patient.

Idéalement, le médicament doit être hautement sélectif, ce qui signifie qu'il se lie fortement à la molécule cible sans affecter aucune autre molécule similaire et qu'il s'entend avec le système métabolique humain. Il y a de nombreuses étapes avant que le médicament puisse arriver sur le marché, y compris les tests de toxicité, trois phases d'essais cliniques et de mesures pour déterminer la dose appropriée.

Alors que beaucoup de gens ont été surpris par la puissance de l'intelligence artificielle lorsqu'AlphaGo a battu les experts humains à Go pour la première fois il y a quelques années, il n'était pas clair si l'IA pouvait relever les défis scientifiques.

Mais, en décembre dernier, DeepMind de Google a remporté le concours d'évaluation critique de la prédiction de structure en utilisant son dernier système d'intelligence artificielle, AlphaFold. Ce concours récompense la technologie qui peut le mieux construire la structure 3-D d'une protéine à partir de séquences biologiques. AlphaFold a réussi à remporter 25 des 43 concours avec une grande précision. Par comparaison, la prochaine meilleure équipe n'en a remporté que trois.

La victoire dominante d'AlphaFold inaugure une nouvelle ère de la recherche scientifique. Les scientifiques comme moi sont enthousiasmés par ce que l'avenir peut réserver à la biomédecine. L'IA rendra la découverte de nouveaux médicaments beaucoup plus rapide et moins chère. Cela pourrait être particulièrement bénéfique pour les patients souffrant d'affections médicales rares, pour qui la découverte de médicaments n'est actuellement pas rentable ou pour ceux dont les affections médicales ne peuvent actuellement pas être traitées efficacement avec des médicaments, comme la maladie d'Alzheimer.

Conception automatisée de médicaments

Cependant, la conception de médicaments est beaucoup plus complexe que la prédiction du repliement des protéines.

Réseaux contradictoires génératifs, un programme d'intelligence artificielle de pointe, pourrait être un prototype pour la découverte automatisée de médicaments. Une partie du programme génère des molécules potentielles qui pourraient être utilisées dans des médicaments, tandis que l'autre élimine les candidats non qualifiés sur la base des informations de base de données existantes et des exigences idéales en matière de médicaments.

Le générateur apprend des erreurs détectées par le discriminateur jusqu'à ce que le discriminateur soit satisfait.

L'un des principaux obstacles à la conception automatisée de médicaments est la taille extrême du problème. Une protéine humaine typique et son médicament de liaison ont de nombreux, nombreuses configurations possibles. Même si un ordinateur énumère une configuration possible par seconde, il faudrait encore plus de temps que l'univers n'a existé pour atteindre la bonne configuration.

Même tous les ordinateurs du monde réunis n'ont pas assez de puissance pour concevoir automatiquement des médicaments.

Démêler les molécules

Dans mon labo, nous abordons ces défis mathématiquement. Notre travail se concentre sur la réduction de la complexité géométrique des protéines individuelles pour les ordinateurs. Chaque protéine a une forme unique qui affecte les molécules auxquelles elle peut se lier. Nous avons introduit trois méthodes mathématiques qui augmentent considérablement la capacité de l'ordinateur à représenter de nouvelles molécules médicamenteuses et comment elles pourraient interagir avec les protéines du corps humain.

Par exemple, la première méthode utilise la géométrie différentielle, une technique utilisée par Einstein pour formuler sa théorie générale de la relativité qui expliquait l'espace, le temps et les mouvements des étoiles. Nous l'utilisons pour décrire les surfaces de contact et les interactions des protéines et des médicaments. Cela permet à l'ordinateur d'évaluer plus facilement comment la protéine réagirait à une molécule de médicament donnée.

Une autre méthode est appelée topologie algébrique, qui fournit une abstraction de haut niveau des interactions protéine-médicament afin qu'un ordinateur puisse facilement saisir la différence entre un médicament approprié et un leurre. L'autre méthode, la théorie des graphes, examine la grande variété de façons dont une protéine peut interagir avec un médicament, telles que les liaisons hydrogène, interactions électrostatiques ou réactions à l'eau. En étudiant toutes ces interactions possibles, nous pouvons rechercher tout ce qui pourrait être nocif pour la santé humaine.

L'impact de nos approches mathématiques est mieux lié à travers les Grands Défis D3R, une compétition mondiale annuelle où les participants opposent leurs outils aux problèmes de pose et de liaison des médicaments prescrits. Nous avons gagné 14% des concours du Grand Challenge 2 en 2016, l'amélioration de ce taux à un taux de victoire de 38% dans le Grand Challenge 3 en 2017. Le deuxième gagnant avait un taux de victoire de 19%.

Dans le dernier Grand Challenge 4, les résultats préliminaires indiquent que nous pourrions avoir les meilleures prédictions dans 50 pour cent des concours. Notre approche est des dizaines de milliers de fois plus rapide que les méthodes traditionnelles basées sur des simulations moléculaires.

Stimulé par ce succès, we have entered into partnerships with Pfizer to improve mathematical AI tools for virtual screening and with Bristol-Myers Squibb to predict drug efficacy and optimize doses.

Integrating advanced mathematics and AI provides a powerful way to search for new drugs. It might be that, just a decade down the road, AI will become a leading force for new drug discovery, leading to less expensive and more efficient drugs.

This article is republished from The Conversation under a Creative Commons license. Lire l'article original.