L’intelligence artificielle ouvre de nouvelles frontières dans la conception de médicaments à ARN

L’intelligence artificielle ouvre de nouvelles frontières dans la conception de médicaments à ARN

Dans le domaine de la médecine moderne, les thérapies basées sur l’ARN se sont révélées être une voie prometteuse, avec des progrès significatifs dans les domaines des maladies métaboliques, de l’oncologie et des vaccins préventifs. Un article récemment publié dansGénie mécanique« L'avenir du développement de médicaments à ARN basé sur l'IA » par Yilin Yan, Tianyu Wu, Honglin Li, Yang Tang et Feng Qian explore comment l'intelligence artificielle (IA) peut révolutionner le développement de médicaments à ARN en s'attaquant aux limites actuelles et en offrant de nouvelles opportunités d'innovation.

L’article met en évidence le potentiel des thérapies à base d’ARN et note que les médicaments à base d’ARN ont des taux de réussite plus élevés que les médicaments traditionnels. Par exemple, Alnylam Pharmaceuticals affirme que le taux de transition cumulé des médicaments interférant avec l’ARN (ARNi) de la phase clinique 1 à la phase 3 atteint 64,4 %, ce qui est nettement supérieur au taux de réussite des médicaments traditionnels de 5 à 7 %. De plus, les délais de découverte de médicaments à base d’ARN sont généralement mesurés en mois, plutôt qu’en années, nécessaires pour les médicaments traditionnels, et sont associés à des coûts inférieurs. Cependant, malgré ces avantages, les techniques expérimentales actuelles telles que CRISPR et les méthodes informatiques telles que le séquençage de l’ARN ne répondent toujours pas aux exigences de rapidité et de diversité dans le développement de médicaments à ARN.

L’intelligence artificielle est en passe de combler cette lacune. L'article met en évidence la capacité de l'IA à tirer parti du calcul parallèle et à apprendre des modèles complexes à partir de grandes quantités de données, répondant ainsi aux limites des méthodes existantes. Les approches basées sur l’IA peuvent accroître l’efficacité du développement de médicaments et ouvrir de nouvelles opportunités pour identifier des candidats médicaments innovants. Les auteurs décrivent trois stratégies principales que l’IA peut utiliser pour faire progresser le développement de médicaments à base d’ARN : les approches basées sur les données, les approches basées sur la stratégie d’apprentissage et les approches basées sur l’apprentissage profond.

Les approches basées sur les données constituent la base en exploitant de grands ensembles de données et des techniques d'exploration de règles pour extraire des modèles et des relations significatifs entre les molécules d'ARN et leurs structures ou fonctions biologiques. Les approches axées sur les stratégies d'apprentissage utilisent des techniques telles que l'inférence causale et l'apprentissage par renforcement pour optimiser les processus de prise de décision. Les approches basées sur l'apprentissage profond, qui représentent des niveaux plus élevés de complexité et d'automatisation, exploitent de grands modèles de langage tels que ChatGPT pour analyser de longues séquences d'ARN et prendre en charge la conception de novo d'ARN fonctionnels.

L’article imagine un futur flux de travail pour le développement de médicaments à ARN piloté par l’IA, basé sur un système interactif basé sur un logiciel. Ce système aurait deux boucles de rétroaction clés : une boucle interne qui se concentre sur la conception basée sur une plate-forme pour améliorer les performances des modèles d'IA, et une boucle externe qui intègre des données du monde réel pour affiner continuellement le développement de médicaments. Le flux de travail commencerait par une numérisation complète des données d'ARN, suivie par la conception personnalisée de candidats médicaments, les évaluations de médicaments, la synthèse automatisée et les expériences biologiques pour une validation clinique préliminaire. Les candidats médicaments sélectionnés seraient ensuite associés à des systèmes d'administration appropriés et utilisés dans une simulation en ligne pour l'observation précoce de la dynamique d'administration, des effets des médicaments et des processus de dégradation dans le corps humain.

Les auteurs identifient plusieurs sujets de recherche difficiles pour un avenir proche, notamment la visualisation complète à haute résolution, le développement de médicaments à ARN personnalisés et le développement d'une plateforme de génération d'ARN modifiable. Ces progrès pourraient conduire à une représentation plus complète et interactive des structures d’ARN et de leur comportement dans les systèmes biologiques et permettre le développement de médicaments à base d’ARN hautement personnalisés adaptés aux profils génétiques individuels.

Les avantages économiques et sociaux du développement de médicaments à base d’ARN basés sur l’IA sont remarquables. L'automatisation basée sur l'IA réduit les tâches à forte intensité de main-d'œuvre et permet une identification plus rapide et plus précise des cibles d'ARN, ce qui entraîne des économies de coûts et accélère les tests des thérapies à ARN. À mesure que la plateforme évolue industriellement, elle garantit une qualité constante des médicaments et une plus grande rentabilité grâce à des processus optimisés et reproductibles.

L’intégration de l’IA dans le développement de médicaments à base d’ARN a le potentiel de transformer l’avenir des thérapies. En tirant parti des capacités de l’IA, les chercheurs peuvent explorer systématiquement de nouvelles structures d’ARN, identifier des candidats médicaments prometteurs et accélérer le développement de médicaments, conduisant finalement à des modèles de développement plus durables et plus économiques présentant des avantages considérables.

Sources :