Le voyage entre l’identification d’un composé thérapeutique potentiel et l’approbation d’un nouveau médicament par la Food and Drug Administration peut prendre plus d’une décennie et coûter plus d’un milliard de dollars. Une équipe de recherche du CUNY Graduate Center a créé un modèle d’intelligence artificielle qui pourrait considérablement améliorer la précision et réduire le temps et le coût du processus de développement de médicaments. Décrit dans un article récemment publié dans Intelligence artificielle de la nature, le nouveau modèle, appelé CODE-AE, peut cribler de nouveaux composés médicamenteux pour prédire avec précision l’efficacité chez l’homme. Lors de tests, il a également été en mesure d’identifier théoriquement des médicaments personnalisés pour plus de 9 000 patients qui pourraient mieux traiter leurs conditions. Les chercheurs s’attendent à ce que la technique accélère considérablement la découverte de médicaments et la médecine de précision.
Une prédiction précise et robuste des réponses spécifiques du patient à un nouveau composé chimique est essentielle pour découvrir des thérapies sûres et efficaces et sélectionner un médicament existant pour un patient spécifique. Cependant, il est contraire à l’éthique et impossible de tester directement l’efficacité d’un médicament chez l’homme. Des modèles cellulaires ou tissulaires sont souvent utilisés comme substitut du corps humain pour évaluer l’effet thérapeutique d’une molécule médicamenteuse. Malheureusement, l’effet du médicament dans un modèle de maladie n’est souvent pas corrélé à l’efficacité et à la toxicité du médicament chez les patients humains. Ce manque de connaissances est un facteur majeur des coûts élevés et des faibles taux de productivité de la découverte de médicaments.
Notre nouveau modèle d’apprentissage automatique peut relever le défi de la traduction des modèles de maladies aux humains. CODE-AE utilise une conception inspirée de la biologie et tire parti de plusieurs avancées récentes en matière d’apprentissage automatique. Par exemple, l’un de ses composants utilise des techniques similaires dans la génération d’images Deepfake. »
Lei Xie, professeur d’informatique, de biologie et de biochimie, CUNY Graduate Center et Hunter College and Paper’s Senior Author
Le nouveau modèle peut fournir une solution de contournement au problème d’avoir suffisamment de données sur les patients pour former un modèle d’apprentissage automatique généralisé, a déclaré You Wu, titulaire d’un doctorat au CUNY Graduate Center. étudiant et co-auteur de l’article. « Bien que de nombreuses méthodes aient été développées pour utiliser des écrans de lignées cellulaires pour prédire les réponses cliniques, leurs performances ne sont pas fiables en raison de l’incongruité et des divergences des données », a déclaré Wu. « CODE-AE peut extraire des signaux biologiques intrinsèques masqués par le bruit et des facteurs de confusion et a efficacement atténué le problème de divergence des données. »
En conséquence, CODE-AE améliore considérablement la précision et la robustesse par rapport aux méthodes de pointe pour prédire les réponses médicamenteuses spécifiques au patient uniquement à partir de criblages de composés de lignées cellulaires.
Le prochain défi de l’équipe de recherche pour faire progresser l’utilisation de la technologie dans la découverte de médicaments consiste à développer un moyen pour CODE-AE de prédire de manière fiable l’effet de la concentration et de la métabolisation d’un nouveau médicament dans le corps humain. Les chercheurs ont également noté que le modèle d’IA pourrait potentiellement être modifié pour prédire avec précision les effets secondaires humains des médicaments.
Ce travail a été soutenu par l’Institut national des sciences médicales générales et l’Institut national sur le vieillissement.
