L’industrie pharmaceutique est en constante recherche de méthodes plus efficaces et innovantes pour la découverte de médicaments. Les méthodes conventionnelles de criblage à haut débit (HTS) présentent des limites, car elles ne peuvent évaluer qu’une petite fraction des molécules disponibles commercialement. Cependant, avec l’émergence de l’intelligence artificielle (IA) et des outils d’apprentissage automatique (ML), il existe un espoir pour une approche plus novatrice.
Atomwise, une société pharmaceutique technologiquement avancée, est à l’avant-garde de l’utilisation de l’IA et du ML pour la découverte de médicaments. Leur plateforme propriétaire, AtomNet, utilise des techniques d’apprentissage profond pour la conception de médicaments basée sur la structure. AtomNet adopte une approche de criblage virtuel à haut débit en recherchant une bibliothèque chimique contenant un nombre impressionnant de composés synthétisables, dépassant les 15 quadrillions au total. Cela permet à AtomNet d’explorer de nouveaux espaces chimiques et d’identifier des hits potentiels.
Une récente étude de l’initiative Atomwise AIMS (Artificial Intelligence Molecular Screen) met en avant le potentiel du criblage informatique comme une alternative viable au HTS physique. L’étude a utilisé AtomNet sur 318 cibles différentes, identifiées grâce à des collaborations avec plus de 250 laboratoires universitaires répartis dans 30 pays. AtomNet a réussi à identifier des hits structurellement nouveaux pour 235 des 318 cibles, obtenant un taux de succès remarquable de 74%. Cela dépasse les taux de succès généralement obtenus par les méthodes HTS conventionnelles, estimés à environ 50%.
Le succès d’AtomNet dans l’identification de hits pour une large gamme de cibles est significatif. Des hits ont été trouvés à travers diverses classes de protéines et grandes aires thérapeutiques, y compris l’oncologie, les maladies infectieuses, la neurologie, l’immunologie et les maladies cardiovasculaires. Parmi les avancées notables, on peut citer l’identification du premier réducteur pour Miro1, une nouvelle cible pour le traitement de la maladie de Parkinson. De plus, AtomNet a découvert avec succès les premiers inhibiteurs pour des cibles difficiles de déubiquitinase (OTUD7A et OTUD7B) liés aux tumeurs solides et hématologiques. En outre, AtomNet a identifié des inhibiteurs de petites molécules pour le CTLA-4, une cible bien établie en oncologie.
Gregory Bowman, professeur à l’Université de Pennsylvanie, souligne l’importance du succès d’AtomNet dans la découverte de hits pour des cibles biologiquement complexes. Il affirme que les plates-formes de criblage virtuel typiques ont souvent un pouvoir prédictif limité, en particulier pour les interactions allostériques ou protéine-protéine. Cependant, l’étude AIMS démontre le taux de succès élevé d’AtomNet dans ces domaines difficiles.
Le succès d’AtomNet peut être attribué à un changement de paradigme unique d’un modèle par cible à un modèle global. Au lieu de construire des modèles ML séparés pour chaque cible protéique, AtomNet est pré-entraîné sur une large gamme de données moléculaires du protéome. Cette approche permet une plus grande généralisabilité à travers différentes cibles, quelle que soit la disponibilité des données d’entraînement.
Dans le futur, Atomwise entre sur le marché des maladies inflammatoires en utilisant AtomNet. La société vise à déposer une demande d’IND (Nouveau Médicament en Investigation) cette année pour son candidat principal, un inhibiteur allostérique du TYK2 découvert grâce à AtomNet. Cette percée met en lumière le potentiel de l’IA dans l’accélération du développement de thérapies nouvelles et innovantes.
The source of the article is from the blog jomfruland.net