Le développement de nouveaux médicaments est primordial pour découvrir des traitements innovants et prévenir les maladies. Cela est vital non seulement pour faire progresser la médecine, mais aussi pour la santé et le bien-être général de l’humanité. Pourtant, même lorsque les médicaments démontrent leur sécurité et leur efficacité dans des modèles cellulaires et animaux, ils se heurtent fréquemment à des obstacles lors des essais cliniques sur l’homme.
Un seul échec pour un médicament lors d’essais cliniques, qui impliquent divers groupes de population, peut entraîner des pertes économiques importantes. Pour résoudre ce problème, il est impératif de comprendre pourquoi certains médicaments, même s’ils ont franchi les étapes précliniques, échouent au cours des essais cliniques. De plus, il existe un besoin urgent de prédire les chances d’approbation d’un médicament donné dans le cadre d’un essai clinique.
Récemment, une équipe de recherche dirigée par le professeur Sanguk Kim (Département des sciences de la vie, École des sciences et technologies de convergence) et le doctorant Minhyuk Park (Département des sciences de la vie) de l’Université des sciences et technologies de Pohang (POSTECH) ont utilisé l’apprentissage automatique pour réussir. dans la prévision des résultats potentiels et des effets secondaires des médicaments avant le début des essais cliniques. Leurs conclusions ont été publiées dans EBioMédecine, une partie de The Lancet Découverte scientifique.
Les médicaments sont principalement testés sur des lignées cellulaires et des modèles animaux avant les essais cliniques sur l’homme. Cependant, l’efficacité ou la toxicité observée du médicament peut varier en raison des différences dans la façon dont les gènes cibles du médicament fonctionnent et sont exprimés dans les cellules par rapport à l’humain. Négliger cette divergence peut entraîner des effets secondaires graves et imprévus chez les patients réels, divergeant des résultats de laboratoire.
Dans leurs recherches, les chercheurs se sont concentrés sur la divergence des effets des médicaments entre les cellules et les humains. Pour évaluer l’écart permettant de prédire l’approbation d’un médicament (1 404 médicaments approuvés et 1 070 médicaments non approuvés), ils ont analysé les effets de perturbation des gènes basés sur le taux de mutation de CRISPR-Cas9 et de perte de fonction sur les cellules et les humains, respectivement. Pour valider le risque que les cibles médicamenteuses présentent une divergence cellules/humains, ils ont examiné les cibles des médicaments ayant échoué et retirés en raison de problèmes de sécurité.
En tirant parti de ces connaissances, ils ont développé une approche d’apprentissage automatique pour prévoir les approbations de médicaments dans le cadre d’essais cliniques. Les approches conventionnelles utilisent généralement les propriétés chimiques d’un médicament, en omettant les différences génétiques entre les cellules et les humains. Cette équipe a toutefois intégré des stratégies chimiques et génétiques, affinant ainsi l’exactitude de ses prévisions sur l’innocuité et le succès des médicaments.
Les défis du développement de médicaments sont dus à l’absence de méthodes fiables pour prédire les résultats des essais cliniques chez l’homme. J’espère que nos recherches nous permettront de prédire efficacement les possibilités d’approbation des médicaments, réduisant ainsi considérablement le temps et les dépenses associés au développement de médicaments. »
Professeur Sanguk Kim, chercheur principal de l’étude
