Artificial Intelligence Leads to Efficient Drug Development

Alors que l'intelligence artificielle continue de gagner en complexité, les chercheurs ont trouvé de nouvelles façons d'exploiter cette complexité afin d'améliorer la recherche de traitements contre les maladies et autres affections chroniques qui ont toujours été difficiles à traiter. Ces développements indiquent la possibilité d'un changement dans la façon dont les médicaments seront développés et testés à l'avenir.

La question particulière examinée dans ce cas est le volume considérable de données dont disposent les chercheurs en matière de médicaments. Malgré la quantité de données disponibles, le taux de réussite de la découverte de médicaments est plus faible qu'il y a environ 40 ans. En d'autres termes, les médicaments qui passent avec succès les essais pré-cliniques ont tendance à échouer lors des tests cliniques. La raison de ce problème est simple : les essais pré-cliniques sont souvent menés sur des souris de laboratoire, qui sont génétiquement très similaires. En revanche, les participants aux essais cliniques présentent une variété génétique beaucoup plus grande, ce qui signifie qu'un traitement qui fonctionne bien lors des essais pré-cliniques présente toujours un risque significatif d'échouer lors des essais cliniques.

Une étude récemment publiée par la faculté de médecine de l'université de Californie, basée à San Diego, présente une approche différente des essais pré-cliniques, qui utilise l'apprentissage automatique pour mieux prédire si un médicament passera ou non les tests de la FDA. La méthodologie consiste à utiliser l'intelligence artificielle pour modéliser l'expression génétique de la maladie au début et tout au long de sa progression, ce qui permet au système de prédire avec plus de précision les résultats du traitement sur une variété beaucoup plus grande de patients. En substance, le système peut simuler l'utilisation d'un type particulier de traitement sur une grande variété de profils génétiques en utilisant les données existantes plutôt que de devoir générer de nouvelles données.

Cette approche, appelée « phase 0 », pourrait permettre aux fabricants de médicaments d'économiser des millions de dollars. Plutôt que de commencer par des essais pré-cliniques, les effets du traitement peuvent être prédits en utilisant un modèle de la maladie généré par l'apprentissage automatique. Cela donne une bien meilleure idée de la façon dont un traitement ou un médicament se comportera lors des essais cliniques. Cela signifie que si un médicament s'avère moins efficace lorsqu'il est soumis au modèle, les fabricants peuvent éviter d'investir dans des essais pré-cliniques et cliniques. Cet argent peut être investi dans des traitements potentiels ayant de meilleures chances d'être efficaces pour un plus grand nombre de patients.

Les résultats de l'étude de phase 0 doivent encore faire l'objet d'essais cliniques pour vérifier l'efficacité du traitement, mais si la prédiction de succès se révèle exacte, elle pourrait révolutionner la manière dont les médicaments sont développés, en particulier pour les maladies chroniques.

De plus amples informations sur l'étude et la méthodologie sont disponibles ici https://www.worldpharmanews.com/research/5742-artificial-intelligence-could-be-new-blueprint-for-precision-drug-discovery.