L. Bardon . – La biologie synthétique et les matériaux organiques programmables suivent la même tendance exponentielle en termes de performance et de chute rapide des coûts associés. Le projet de décryptage du génome humain en est un parfait exemple. Le nombre de paires de bases d’ADN séquencé doublait chaque année ; et le coût par paire de bases diminuait de moitié chaque année. Ce qui correspond à…la loi de Moore. Dans le sillage de cette tendance exponentielle, les scientifiques et chercheurs, au travers de leurs recherches pour combattre les maladies, ont déjà réalisés des progrès extraordinaires. Il y a déjà trois ans, unsystème d’IA battait des médecins dans la prédiction des crises cardiaques : des chercheurs de l’Université de Nottingham ont créé un algorithme qui surpasse les méthodes standard de prédiction des crises cardiaques. Plusieurs facteurs identifiés par les algorithmes comme des facteurs puissants de prédiction ne figuraient pas sur la liste des lignes directrices de l’American College of Cardiology/American Heart Association (c.-à-d. l’utilisation de corticostéroïdes oraux), tandis que 10 des principaux facteurs de risque dans ces listes n’ont pas été pris en compte.
Et si nous pouvions générer de nouvelles molécules pour cibler n’importe quelle maladie, du jour au lendemain, prêtes pour les essais cliniques ? Imaginez que l’apprentissage machine permette d’accomplir avec 50 personnes ce que l’industrie pharmaceutique peut à peine réaliser avec une armée de 5 000 personnes. Bienvenue dans le futur de l’IA et de la découverte de médicaments à faible coût, ultra-rapide et personnalisée.
Réseaux antagonistes et médicaments
Le “moteur de découverte de médicaments” d’Insilico passe au crible des millions d’échantillons de données pour déterminer la signature des caractéristiques biologiques de maladies spécifiques. Le moteur identifie ensuite les cibles de traitement les plus prometteuses et, grâce aux réseaux antagonistes génératifs, génère des molécules (c’est-à-dire des bébés médicaments) parfaitement adaptées à ces cibles. “Il en résulte une explosion des cibles potentielles des médicaments et un processus d’essai beaucoup plus efficace”, explique M. Zhavoronkov. “L’IA nous permet de faire avec cinquante personnes ce qu’une société pharmaceutique typique fait avec cinq mille. Les résultats ont transformé ce qui était autrefois une guerre de dix ans en une escarmouche d’un mois.
Pliage d’une protéine
Au-delà de l’invention de nouveaux médicaments, l’IA est également utilisée par d’autres scientifiques pour identifier de nouvelles cibles de médicaments, c’est-à-dire la place à laquelle un médicament se lie dans le corps et un autre élément clé du processus de découverte de médicaments.
En 1994, un concours bisannuel a été créé pour suivre les progrès des superordinateurs dans le domaine du repliement des protéines. Jusqu’en 2018, les succès étaient assez rares. Mais ensuite, les créateurs de DeepMind ont lâché leurs réseaux de neurones sur le problème. Ils ont créé une IA qui exploite d’énormes ensembles de données pour déterminer la distance la plus probable entre les paires de bases d’une protéine et les angles de leurs liaisons chimiques -aka, les bases du repliement des protéines. Ils l’ont appelée AlphaFold.
Pour leur première participation au concours, les candidats ont dû résoudre 43 problèmes de repliement des protéines. AlphaFold en a résolu 25. L’équipe classée deuxième a réussi un maigre trois.
Distribution de médicaments
L’un des principaux candidats est CRISPR, la technologie d’édition de gènes en plein essor qui va révolutionner la biologie synthétique et le traitement des maladies génétiquement liées. Et les chercheurs ont maintenant démontré comment cet outil pouvait être appliqué pour créer des matériaux qui changent de forme sur commande. Imaginez des matériaux qui se dissolvent instantanément face à un stimulus programmé, libérant un médicament spécifique à un endroit très ciblé.
Les nanotechnologies constituent un autre atout potentiel pour l’administration ciblée de médicaments : les nanorobots médicaux sont désormais utilisés pour lutter contre l’incidence du cancer.
La suite ici (Peter H. Diamandis)
