Dans le domaine de la médecine moderne, les thérapies basées sur l’ARN sont apparues comme une voie prometteuse, avec des progrès significatifs dans les domaines des maladies métaboliques, de l’oncologie et des vaccins préventifs. Un article récent publié dans Ingénierie intitulé « L'avenir du développement de médicaments à ARN piloté par 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, notant que les médicaments à base d’ARN ont montré des taux de réussite plus élevés que les produits pharmaceutiques traditionnels. Par exemple, Alnylam Pharmaceuticals affirme que le taux de transition cumulé des médicaments à interférence ARN (ARNi) de la phase clinique 1 à la phase 3 atteint 64,4 %, 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 parviennent toujours pas à répondre 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 l'accent sur la capacité de l'IA à tirer parti du calcul parallèle et à apprendre des modèles complexes à partir de données à grande échelle, répondant ainsi aux limites des méthodologies existantes. Les approches basées sur l’IA peuvent améliorer l’efficacité du développement de médicaments et ouvrir de nouvelles opportunités pour identifier des candidats médicaments innovants. Les auteurs décrivent trois stratégies principales grâce auxquelles l’IA peut 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 utilisant des ensembles de données à grande échelle 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 basées sur des 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 un niveau plus élevé de complexité et d'automatisation, utilisent de grands modèles de langage comme ChatGPT pour analyser de longues séquences d'ARN et prendre en charge la conception de novo d'ARN fonctionnels.
L’article envisage un futur flux de travail pour le développement de médicaments à ARN piloté par l’IA qui s’appuie sur un système interactif basé sur un logiciel. Ce système comporterait deux boucles de rétroaction clés : une boucle interne axée sur la conception basée sur une plate-forme pour améliorer les performances du modèle 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, l'évaluation des 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 placés dans une simulation en ligne pour une observation précoce de la dynamique d'administration, de l'action des médicaments et des processus de dégradation au sein du corps humain.
Les auteurs identifient plusieurs sujets de recherche difficiles à court terme, notamment la visualisation complète à haute résolution, la découverte personnalisée de médicaments à base d'ARN 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, permettant ainsi la création de médicaments à 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, permettant une identification plus rapide et plus précise des cibles ARN, ce qui se traduit par des économies de coûts et des tests accélérés 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 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 médicaments candidats prometteurs et accélérer le processus de découverte de médicaments, conduisant finalement à des modèles de développement plus durables et plus économiques avec des avantages étendus.
