À la suite de la conférence ELRIG sur la découverte de médicaments, Ma Clinique a participé à une discussion approfondie avec le Dr Andrew Buchanan, une figure renommée dans le domaine de la recherche biopharmaceutique. La carrière du Dr Buchanan s’étend sur 22 ans, notamment chez Cambridge Antibody Technology, MedImmune et AstraZeneca, où il a contribué de manière significative au développement de 18 médicaments à base d’anticorps, dont trois produits commercialisés avec succès.
Aujourd’hui, le Dr Buchanan se concentre sur l’exploitation de l’IA et de l’apprentissage automatique pour les produits biologiques et est à l’avant-garde des technologies de ciblage des tissus et de l’innovation scientifique dans le domaine des produits biologiques. Son élection en tant que membre de la Royal Society of Chemistry en 2020 témoigne de ses contributions remarquables, qui comprennent plus de 35 manuscrits originaux et brevets.
Dans cette interview, nous approfondirons le parcours du Dr Buchanan dans l’industrie biopharmaceutique, sa transition vers les applications IA/ML dans les produits biologiques et sa vision de l’avenir du développement de médicaments. Rejoignez-nous pour bénéficier des informations précieuses d’un expert de premier plan dans le domaine de la recherche biopharmaceutique.
Sommaire
Pouvez-vous nous donner un aperçu de votre rôle chez AstraZeneca et de votre parcours dans la contribution au développement de médicaments à base d’anticorps ?
Aujourd’hui, mon rôle consiste à permettre l’utilisation de l’intelligence artificielle et de l’apprentissage automatique (IA/ML) dans l’ingénierie de grandes molécules, à valider la technologie de ciblage selon toutes les modalités et à stimuler l’innovation dans le domaine des produits biologiques grâce à la collaboration.
J’ai commencé comme chercheur scientifique à Cambridge Antibody Technology (CaT), où j’ai appris auprès de mes collègues les nombreuses disciplines scientifiques et les compétences en leadership nécessaires au développement de médicaments à base d’anticorps. Travaillant dans des équipes collaboratives chez CaT, puis MedImmune et AstraZeneca, j’ai eu la chance de me voir proposer des responsabilités et des défis croissants.
Cela a finalement abouti à la direction et au mentorat d’équipes chargées de fournir 18 nouveaux médicaments expérimentaux, dont trois sont des médicaments approuvés, et beaucoup sont actuellement en cours de développement clinique.
Crédit d’image : Krisana Antharith/Shutterstock.com
Comment l’intégration de l’IA et de l’apprentissage automatique influence-t-elle le processus de découverte de médicaments, et quels impacts potentiels ces technologies ont-elles sur l’avenir de la recherche pharmaceutique ?
Les technologies IA/ML ont actuellement un impact significatif sur les premiers processus de découverte de médicaments. Dans la première étape du « choix de la bonne cible », l’incorporation de greffes de connaissances et d’analyses avancées de données omiques approfondies ouvre de nouvelles perspectives et contribue au développement d’une validation en laboratoire humide appropriée. Cette approche améliore la sélection des cibles en exploitant de grandes quantités de données et en identifiant plus efficacement les cibles potentielles des médicaments. Pendant les phases de génération de leads et d’optimisation, l’analyse d’images IA joue un rôle crucial.
En fournissant une analyse rapide et précise, il aide les équipes d’analyse et de pharmacologie à prendre des décisions à haut débit et de haute qualité en matière de tri et de sélection des molécules. Cette capacité permet aux chercheurs de prioriser les molécules prometteuses pour un développement ultérieur, économisant ainsi du temps et des ressources. De plus, les outils d’IA/ML sont de plus en plus précis pour prédire les aspects de développabilité des molécules.
Cela aide les collègues de R&D à sélectionner des molécules avec une plus grande précision pour les faire progresser vers les équipes scientifiques de fabrication. À mesure que ces technologies continuent de progresser, passant du mode classification au mode génératif, elles ont le potentiel d’aider les équipes à développer des traitements meilleurs, plus efficaces et plus rentables pour les patients.
Dans l’ensemble, l’incorporation des technologies IA/ML dans les processus précoces de découverte de médicaments révolutionne le domaine, permettant une prise de décision plus rapide et plus éclairée, et ouvrant finalement la voie au développement de traitements innovants et efficaces.
Qu’est-ce qui a inspiré votre transition vers le domaine de la conception informatique et de l’IA/ML dans le domaine des produits biologiques, et comment cette technologie s’est-elle développée ?
Les applications potentielles de l’IA/ML dans la découverte précoce de médicaments sont vastes. Je suis entré dans le domaine de l’IA/ML en 2016 en me concentrant sur les applications liées à la conception de grandes molécules, des peptides aux anticorps. Pour être honnête, au début, j’étais sceptique. Nous avons commencé par identifier quelques collaborateurs potentiels pour évaluer la technologie, élaborer une stratégie et des packages de validation précoce. Au début, les progrès ont été lents, mais en travaillant avec des pairs brillants, en adoptant un état d’esprit de croissance et en apprenant autant que possible, nous avons commencé à connaître du succès.
Une partie de cela peut désormais être constatée en externe dans la littérature évaluée par les pairs des doctorants, postdoctorants et collaborateurs d’AstraZeneca. L’utilisation de l’IA/ML dans la science biologique continuera de croître et deviendra un autre outil dans la boîte à outils du scientifique de laboratoire et du chef de projet à succès.
Plus précisément, pourriez-vous partager quelques exemples de la façon dont la conception informatique et l’IA/ML ont accéléré le processus de développement de médicaments à grosses molécules selon votre expérience ?
Notre objectif en tant qu’industrie est de fournir le bon médicament au bon patient le plus rapidement possible. Travaillant dans la sélection des cibles pour l’espace préclinique des médicaments candidats, la volonté d’obtenir les études First in Human se traduit par une concentration sur l’accélération des délais tout en maintenant l’accent sur la qualité.
De mon point de vue, l’IA/ML a un grand potentiel pour améliorer la qualité de la prise de décision en R&D. Par exemple, l’adoption d’outils d’IA/ML par les scientifiques permettra une démocratisation des données, une meilleure compréhension de questions scientifiques spécifiques qui se traduiront par des décisions de meilleure qualité tout au long du cycle de vie du projet.
Pourriez-vous nous expliquer l’importance de l’automatisation des laboratoires humides et de la conservation des données dans le contexte de la mise en œuvre de l’apprentissage automatique dans la recherche sur les produits biologiques ?
L’objectif final de tous les travaux de R&D en laboratoire est de créer des médicaments candidats efficaces qui se traduisent en médicaments pour les patients. Pour ce faire, les données lisibles et analysées par machine deviennent essentielles au travail quotidien efficace, à la rédaction de livres de laboratoire, à la prise de décision et à la rédaction de rapports formels.
Pour exploiter le potentiel du ML et les capacités associées dans la recherche sur les produits biologiques, il est essentiel de disposer de données de haute qualité qui se rapprochent des normes FAIR – trouvables, accessibles, interopérables et réutilisables. Pour exploiter la puissance de l’IA, il est essentiel de produire de bonnes données. C’est pourquoi il est nécessaire que les chercheurs de l’industrie et du monde universitaire poursuivent la transformation numérique des laboratoires humides.
Quels principaux défis ou obstacles avez-vous rencontrés lors de l’intégration d’applications informatiques et génératives d’IA/ML dans la conception de grandes molécules, et comment les avez-vous surmontés ?
L’un des principaux obstacles à la construction et à la validation de cette approche était d’ordre culturel plutôt que technique. Réunir des collègues de disciplines disparates – chacun avec son propre langage spécialisé, des termes et des hypothèses qui se chevauchent sur les données – signifiait que beaucoup de choses étaient initialement perdues dans la traduction.
Passer du temps ensemble pour instaurer la confiance, la compréhension et la compréhension des aspects clés de la science de chacun était essentiel et les membres de l’équipe se sont rapidement sentis à l’aise dans un nouvel environnement multilingue. Ensemble, nous avons construit de nouvelles équipes inclusives et collaboratives, démontrant la valeur apportée par chaque membre en comprenant leurs points de vue et leur expertise sur chaque aspect de la stratégie au fur et à mesure de sa progression.
Crédit d’image : Gorodenkoff/Shutterstock.com
Pouvez-vous souligner certaines des réalisations ou percées notables en matière d’innovation en matière de thérapies ciblées sur les tissus sur lesquelles vous et votre équipe avez travaillé récemment ou sur lesquelles vous travaillerez à l’avenir ?
Dans le cadre d’une thérapie ciblée, le médicament est le « quoi » et l’administration est le « comment ». Les avantages des modalités médicamenteuses, telles que la thérapie cellulaire et génique (CGT), avec leurs technologies associées en matière d’ADN, d’ARN, de chimie, de cellules et de particules, sont prometteuses pour une efficacité transformatrice en tant que médicaments. À l’heure actuelle, la limite de ce domaine est la livraison.
Nous appliquons les décennies d’informations et d’apprentissages recueillis auprès de nos équipes d’oncologie d’AstraZeneca sur l’utilisation d’anticorps pour l’administration ciblée de médicaments afin de transformer l’administration de CGT.
Être élu Fellow de la Royal Society of Chemistry en 2020 est une réussite remarquable. Comment cette reconnaissance a-t-elle influencé votre travail et votre point de vue sur le domaine des produits biologiques ?
En tant que biologiste, faire partie de la communauté des sciences chimiques a été un privilège. Un aspect de cela est la possibilité de trouver des experts et des collaborateurs dans des domaines scientifiques différents de celui dans lequel vous êtes expert. Être capable de formuler des questions et de demander de l’aide à d’autres groupes peut apporter une perspective totalement nouvelle qui fait avancer l’innovation.
Avec plus de 35 manuscrits originaux et brevets à votre actif, quels conseils donneriez-vous aux chercheurs et scientifiques en herbe qui cherchent à apporter des contributions significatives au domaine des produits biologiques ?
« Crack ! ». Cela peut paraître désinvolte, mais ce que je veux dire, c’est aller de l’avant. Pour commencer, il est important de devenir un expert dans votre spécialité et en même temps d’apprendre autant que possible auprès d’autres experts. Lorsque vous pensez avoir une bonne idée, partagez-la, discutez-en avec les autres, puis essayez-la.
Ne laissez pas la recherche de la perfection vous arrêter. Parfois, les meilleurs résultats proviennent de la prise de risques calculés et intelligents, avec l’aide et le soutien de votre équipe. La véritable innovation se produit rarement dans votre zone de confort, alors n’ayez pas peur d’en sortir.
Où les lecteurs peuvent-ils trouver plus d’informations ?
- Porebski BT, Balmforth M, Browne G, Riley A, Jamali K, Fürst M, Velic M, Buchanan A, Minter R, Vaughan T & Holliger P. Découverte rapide d’anticorps de haute affinité par criblage approfondi. Nature Biomedical Engineering 2023 9 octobre. https://www.nature.com/articles/s41551-023-01093-3
- Paul D, Stern O, Vallis Y, Dhillon J, Buchanan A, McMahon H. L’agrégation des protéines de surface cellulaire déclenche l’endocytose pour maintenir la protéostasie de la membrane plasmique. Nature Comms 2023, 25 février. https://www.nature.com/articles/s41467-023-36496-y
- Schneider C, Buchanan A, Taddese B, Deane CM. Méthodes d’apprentissage DLAB-Deep pour le criblage virtuel d’anticorps basé sur la structure. Bioinformatique 21 septembre 2021;38(2):377-383. https://pubmed.ncbi.nlm.nih.gov/34546288/
- Krawczyk K, Buchanan A, Marcatili P. Exploration de données de séquences d’anticorps brevetées MAbs. 2021 janvier-décembre;13(1):1892366. https://pubmed.ncbi.nlm.nih.gov/33722161/
- Nimrod G, Fischman S, Austin M, Herman A, Keyes F, Leiderman O, Hargreaves D, Strajbl M, Breed J, Klompus S, Minton K, Spooner J, Buchanan A, Vaughan TJ, Ofran Y. Conception informatique d’épitope- Anticorps fonctionnels spécifiques. Cell Rep. 20 novembre 2018;25(8):2121-2131. https://pubmed.ncbi.nlm.nih.gov/30463010/
À propos du Dr Andrew Buchanan
Andrew Buchanan est un scientifique préclinique expérimenté, qui a contribué à l’entrée pour la première fois de 18 médicaments à base d’anticorps dans des études cliniques sur l’homme, dont trois sont à ce jour des produits commercialisés. Il est un penseur critique polyvalent avec 22 ans d’expérience (Cambridge Antibody Technology, MedImmune et AstraZeneca) et a dirigé des équipes responsables des technologies de plateforme et de la livraison de pipelines au premier rang dans les études sur les humains. Il se concentre actuellement sur l’IA/ML pour les produits biologiques, les technologies de ciblage des tissus et l’innovation scientifique pertinente dans le domaine des produits biologiques.
Il a été élu membre de la Royal Society of Chemistry en 2020 et, avec ses collègues, collaborateurs, postdoctorants et doctorants, a contribué à plus de 35 manuscrits et brevets originaux. Les points forts de ma carrière jusqu’à présent incluent le fait de faire partie des équipes qui ont livré IMFINZI®, PB2452 et le temps investi dans le mentorat de ses pairs.
