Les ordinateurs pourraient bientôt trouver de nouveaux médicaments

L’objectif de la découverte de médicaments modernes est de développer des médicaments qui sont administrés en toute sécurité avec un minimum d’effets secondaires tout en se liant fortement aux protéines associées à la maladie dans notre corps. Et pourtant, malgré une liste croissante de protéines cibles validées à la suite du projet du génome humain, le taux de nouvelles approbations de la FDA pour de nouveaux médicaments à petites molécules a stagné au cours des 15 dernières années.

Parmi les raisons de cette stagnation, une ressort : le manque d’exploration de l’univers chimique. Cela limite si fortement la taille et la diversité des collections de composés des sociétés pharmaceutiques que le nombre de composés chimiquement distincts et testables synthétisés est estimé à moins de 10 millions de molécules, une infime partie de l’univers chimique.

La découverte de médicaments souffre d’un goulot d’étranglement. Pour tester un composé en laboratoire, il doit d’abord être synthétisé puis testé physiquement. La seule façon d’exploiter l’univers chimique inexploré est d’utiliser des méthodes qui contournent la synthèse physique initiale lors de l’évaluation d’un composé.

Entrez le calcul. L’idée centrale de la découverte informatique moderne de médicaments est la prédiction précise de la liaison de molécules médicamenteuses à une protéine cible pathogène. Le calcul peut alors scruter profondément l’univers chimique sans avoir besoin d’une synthèse préalable. Cependant, la liaison d’un médicament à petite molécule à une protéine est un problème de modélisation extrêmement compliqué, impliquant des interactions complexes entre les nombreux atomes de la protéine et une petite molécule semblable à un médicament entourée d’eau. Sans une solution à ce problème, il n’y a aucun moyen de trouver les composés non découverts qui pourraient conduire à de futurs traitements révolutionnaires.

Dans la découverte computationnelle de médicaments, les méthodes basées sur l’intelligence artificielle ont un problème de données ; il n’y a pas assez. Les données expérimentales existantes ne sont pas à la hauteur de la tâche de formation de l’IA, car elles ne peuvent provenir que du petit nombre de composés déjà synthétisés, qui ne sont pas représentatifs des nombreux composés inconnus qui se trouvent en dehors de notre base de connaissances chimiques locales actuelles. Le résultat est que l’IA a tendance à prédire des molécules de médicaments similaires à celles qui ont déjà été explorées, ce qui empêche de nouvelles découvertes.

Pendant ce temps, la modélisation moléculaire basée sur la physique est confrontée à un problème de complexité. Une description complète au niveau quantique de la liaison protéine-petite molécule est pratiquement impossible, car la complexité croît de façon exponentielle à mesure que le nombre d’atomes augmente. Les approximations peuvent rendre la modélisation moléculaire basée sur la physique plus efficace sur le plan informatique, mais au prix d’une précision réduite qui tourmente l’industrie pharmaceutique depuis des années.

Heureusement, les améliorations récentes de la puissance de calcul et les percées innovantes dans la modélisation moléculaire sont prometteuses. Pourtant, des progrès dans la modélisation moléculaire basée sur la physique et les méthodes basées sur l’IA sont indispensables pour de nouvelles percées. Il y a un consensus croissant sur le fait qu’une combinaison des deux s’avérera être la solution, les forces de l’un compensant les faiblesses de l’autre.

Il est impératif de trouver une solution informatique pour développer les traitements à petites molécules de demain. Sinon, nous serons à jamais confinés à la petite portion de produits chimiques dans le voisinage de ce que nous savons maintenant, incapables d’explorer le reste du vaste univers chimique qui regorge de possibilités.

M. Kita est directeur scientifique de Verseon.