Trois façons dont l'IA* révolutionne la découverte de traitements chez AbbVie

Découvrez comment l'intelligence artificielle peut accélérer la découverte de nouvelles cibles thérapeutiques, optimiser le développement de médicaments et aider à les mettre à la disposition des patients les plus susceptibles de répondre au traitement.

*IA : Intelligence Artificielle

Les maladies difficiles à traiter ont de multiples cibles potentielles en raison de leur régulation par une multitude de molécules et de voies complexes. Grâce à l'intelligence artificielle et à des outils d'intégration des données comme ARCH, les scientifiques sont désormais capables de synthétiser de vastes ensembles de connaissances issues de diverses sources. Ces technologies permettent aussi de visualiser les schémas et les connexions entre les données, facilitant ainsi l'analyse approfondie nécessaire pour identifier les gènes ou les protéines cibles.

Une fois le candidat médicament sélectionné, les scientifiques se concentrent sur l’identification et l’optimisation des composés susceptibles d’être transformés en futures thérapies. Au cours de cette étape, les scientifiques d’AbbVie utilisent activement l’IA.

Pour choisir le bon candidat médicament, les chercheurs étudient plusieurs caractéristiques. En plus de chercher des composés stables et se liant efficacement à leur cible, les chercheurs tentent d’identifier également des qualités telles qu'une bonne absorption, pour garantir que le médicament puisse aller à l’endroit souhaité dans le corps humain, ou une faible viscosité, permettant au médicament d'être administré à l’aide d’une seringue par exemple.

Pour trouver un candidat répondant à toutes ces exigences, les chercheurs s’appuient traditionnellement sur un criblage à haut débit de vastes bibliothèques de composés – un processus long et exigeant. Mais les méthodes d’IA contribuent désormais à accélérer cette étape.

Grâce à une forme d'IA connue sous le nom de grands modèles de langage (LLM), les chercheurs peuvent concevoir des médicaments in silico, c'est-à-dire sur un ordinateur, plutôt que de se fier uniquement à des criblages à haut débit. Les LLM fonctionnent en traitant des modèles à partir de grands ensembles de données de composés connus, en « apprenant » dans le processus comment les différences de structures affectent des attributs tels que la stabilité ou la viscosité, et en utilisant ces informations pour prédire de nouvelles structures.

L'IA générative aide les scientifiques à concevoir des anticorps avec les attributs souhaités

Les LLM sont plus souvent associés à l’IA qui étudie les modèles du langage humain. Cependant, ces modèles fonctionnent également pour les protéines comme les anticorps car, comme l’anglais et le français, les protéines ont leur propre langage.

Au lieu de mots ou de lettres, les protéines sont représentées par une chaîne de 20 acides aminés ; l'ordre dans lequel ces acides aminés sont enchaînés définit les attributs et les propriétés de la protéine. Tout comme l'IA générative utilise des modèles dans le langage humain pour prédire la prochaine chaîne de mots la plus probable dans une phrase, les modèles de langage des protéines peuvent reconnaître des modèles dans le « langage » des protéines pour prédire de nouvelles séquences d'acides aminés.

Dans la découverte de médicaments, les LLM sont activement utilisés pour prédire de nouvelles structures d’anticorps présentant des caractéristiques souhaitables, comme une faible viscosité ou une grande stabilité. Pour y parvenir de manière traditionnelle, les chercheurs doivent généralement créer différentes variantes de l’anticorps, chacune présentant des modifications uniques de la structure, et toutes les examiner pour trouver les versions les plus stables ou les moins visqueuses. Mais avec les LLM, ils peuvent désormais identifier les meilleures variantes sans ce criblage, ce qui rend le processus plus efficace.

« Le modèle d’IA, en se basant sur les schémas dans les données, identifie le « langage » ou les règles qui contrôlent les propriétés des protéines comme les anticorps. Vous pouvez alors lui demander de vous fournir un anticorps plus stable ou qui se lie à une cible spécifique et il vous indiquera la séquence dont cet anticorps a besoin pour avoir l’attribut souhaité », explique Blaine Stine, Vice-président, Recherche exploratoire biothérapeutiques, AbbVie. « C’est la puissance que nous commençons à voir émerger avec ces outils d’IA. »  

 Un autre aspect important de la découverte de médicaments est de s’assurer que les thérapies fonctionnent pour le plus grand nombre possible de patients au sein de la population ciblée. Aujourd’hui, cette science est imparfaite : les thérapies disponibles ne sont pas efficaces pour tous les patients et, jusqu’à présent, les scientifiques n’avaient pas les outils pour comprendre pourquoi. Mais grâce au domaine émergent de la médecine de précision qui utilise l’apprentissage automatique pour développer des thérapies, les chercheurs s’en rapprochent.

Les chercheurs d’AbbVie utilisent la médecine de précision pour mieux comprendre les caractéristiques communes et les différences dans les gènes, les protéines et d’autres biomarqueurs potentiels parmi les patients touchés par la même maladie. Ils utilisent ensuite ces connaissances pour guider le développement de thérapies.

Par exemple, lors de l'analyse des données cliniques de patients qui ont répondu à une thérapie donnée par rapport à ceux qui n'y ont pas répondu, les outils de médecine de précision peuvent révéler des biomarqueurs qui pourraient être responsables de la réponse d’un patient ou qui auraient pu la prédire. Les scientifiques peuvent exploiter ces connaissances pour les aider à identifier des cibles thérapeutiques potentielles pour cette population de patients spécifique.  

Utiliser l'IA pour personnaliser les traitements en oncologie, immunologie et neurosciences

En oncologie, il est courant d'utiliser des biomarqueurs pour comprendre la réponse potentielle des patients et les segmenter en conséquence. AbbVie va au-delà et travaille également à appliquer la médecine de précision à l’immunologie et à d'autres domaines thérapeutiques.

« Au cours des deux dernières décennies, nous avons beaucoup appris en oncologie sur la biologie moléculaire du cancer, ce qui a conduit à de nouveaux traitements pour les patients », explique Heath Guay, Directeur exécutif, Médecine de précision Immunologie, AbbVie. « Nous voulons faire la même chose en immunologie, car la plupart des thérapies disponibles traitent la maladie de manière générale. Notre ambition est de pouvoir adapter les traitements à des populations de patients spécifiques. »

Que ce soit dans la médecine de précision ou le ciblage thérapeutique, toutes les manières dont l’IA est aujourd’hui utilisée pour transformer la découverte de médicaments pourraient offrir de nouvelles possibilités pour les patients.

« La recherche exploratoire a toujours été très exigeante, mais avec de nouvelles capacités comme l’intelligence artificielle et l’apprentissage automatique, nous avons aujourd’hui l’opportunité d’être plus ambitieux dans la lutte contre les maladies difficiles à traiter, de trouver des traitements curatifs et d’obtenir l’impact sur les patients que nous espérons tous. », conclut Blaine Stine.