Optibrium Limited, principal fournisseur de solutions logicielles et d’intelligence artificielle (IA) pour la découverte de médicaments, a annoncé aujourd’hui la publication d’une étude évaluée par des pairs dans Applied AI Letters, « Deep Imputation on Large-Scale Drug Discovery Data ».
En travaillant avec l’ensemble de données mondial exclusif de Takeda Pharmaceuticals, l’équipe a appliqué la plate-forme Augmented Chemistry® d’Optibrium, démontrant le potentiel de l’imputation par apprentissage en profondeur pour réduire les coûts et améliorer les taux de réussite de la découverte de médicaments. La plate-forme s’appuie sur la méthode d’apprentissage en profondeur Alchemite™, développée par Intellegens, et démontrée pour fournir des prédictions plus précises et fiables des propriétés biologiques complexes de médicaments potentiels, permettant des décisions de conception plus efficaces.
L’étude a démontré que l’imputation par apprentissage en profondeur génère des informations nouvelles et précieuses sur des ensembles de données exclusifs à l’échelle pharmaceutique mondiale. De tels ensembles de données sont complexes, avec des données provenant de nombreuses expériences différentes, y compris les activités des composés dans les essais biochimiques et phénotypiques, les données de criblage à haut débit et les paramètres d’absorption, de distribution, de métabolisme, d’élimination et de toxicité (ADMET).
Prendre les meilleures décisions sur la progression du projet sur de telles données est encore compliqué par le fait que la plupart des composés médicamenteux potentiels ne sont mesurés que dans un petit sous-ensemble d’expériences que les sociétés pharmaceutiques et biotechnologiques utilisent régulièrement, ce qui donne des ensembles de données où seulement quelques pour cent des mesures possibles ont été faites.
De plus, les mesures sont très bruyantes en raison de la complexité des expériences biologiques. Bien que ces caractéristiques limitent l’efficacité de la plupart des méthodes d’apprentissage automatique, l’étude a confirmé que la chimie augmentée® a fourni des informations précieuses sur des données aussi difficiles.
L’étude a également révélé que l’imputation par apprentissage en profondeur faisait des prédictions plus précises des propriétés biologiques des composés, y compris la prédiction prospective des activités des composés dans le contexte de projets. En particulier, il a montré des avantages substantiels dans la prédiction de paramètres complexes, tels que les tests cellulaires, qui nécessitent beaucoup de ressources et où des prédictions plus précises entraînent des réductions substantielles de temps et de coûts.
De plus, la méthode a identifié de manière fiable les prédictions les plus précises sur lesquelles fonder des décisions, ce qui est essentiel pour éviter de manquer des opportunités précieuses résultant de prédictions inexactes. Il a mis en évidence où davantage de données expérimentales sont nécessaires pour prendre une décision en toute confiance, ce qui la distingue des autres méthodes d’apprentissage automatique et d’IA qui ont du mal à fournir des informations de confiance fiables sur les prédictions individuelles.
Faisant suite à une étude précédente, qui a démontré l’efficacité de l’imputation par apprentissage en profondeur sur des ensembles de données spécifiques à un projet plus petits, cette nouvelle étude a montré que la même méthode s’adapte aux ensembles de données pharmaceutiques mondiaux. Le modèle décrit a été construit sur 1,8 million de points de données concernant environ 700 000 composés et 1 200 paramètres expérimentaux. Lorsqu’elles sont appliquées à cette échelle, les connaissances sur les composés à haute valeur ajoutée et les stratégies de recherche augmentent de façon exponentielle.
Cette étude corrobore les résultats extraordinaires que nous avons observés dans de nombreuses collaborations avec des organisations pharmaceutiques, biotechnologiques et à but non lucratif. Nous sommes ravis de voir les avantages significatifs que notre technologie d’IA produit et l’enthousiasme pour son adoption dans la communauté pharmaceutique. »
Matthew Segall, PDG d’Optibrium
Pour visionner un webinaire résumant les principaux résultats de cette étude, visitez https://bit.ly/largescale_imputation.
Pour plus d’informations sur Optibrium, rendez-vous sur www.optibrium.com, contactez [email protected] ou appelez le +44 1223 815900.
