La découverte de médicaments par IA est une opportunité de 50 milliards de dollars pour les grandes sociétés pharmaceutiques

Trouver un médicament à succès potentiel nécessite généralement des années d'analyses approfondies en laboratoire, avec des équipes de chercheurs passant méthodiquement au crible les données et les résultats des tests pour dénicher un candidat prometteur. Mais lorsque la société japonaise Takeda Pharmaceutical Co. a acheté un médicament expérimental contre le psoriasis pour 4 milliards de dollars à une startup de Boston en février, elle a obtenu un composé sélectionné en seulement six mois en utilisant l'intelligence artificielle.

Dans les mois à venir, le médicament, sélectionné parmi des milliers de molécules potentielles grâce à l'IA et à des algorithmes d'apprentissage automatique, passera aux dernières étapes des essais cliniques. En cas de succès, il pourrait devenir l'une des premières thérapies découvertes avec l'aide de l'IA. Les analystes de Jefferies estiment qu'il pourrait générer jusqu'à 500 milliards de yens (3,7 milliards de dollars) de ventes annuelles.

La poussée du fabricant de médicaments japonais intervient à un moment où les sociétés pharmaceutiques du monde entier adoptent l'IA en concluant des accords avec des startups averties en informatique et en ajoutant leurs propres scientifiques des données. Leur espoir est de réduire les coûts et d'accélérer la mise sur le marché. Morgan Stanley estime qu'au cours de la prochaine décennie, l'utilisation de l'IA dans le développement de médicaments à un stade précoce pourrait se traduire par 50 nouvelles thérapies supplémentaires d'une valeur de plus de 50 milliards de dollars de ventes.

La société de recherche Deep Pharma Intelligence estime que les investissements dans les sociétés de découverte de médicaments axées sur l'IA ont triplé au cours des quatre dernières années, atteignant 24,6 milliards de dollars en 2022. En janvier de l'année dernière, Sanofi a accepté de verser à la société britannique Exscientia Plc 100 millions de dollars d'avance, plus le potentiel jusqu'à 5,2 milliards de dollars en paiements d'étape pour la recherche de nouveaux médicaments et le développement de jusqu'à 15 candidats en oncologie et en immunologie grâce à l'utilisation de systèmes d'IA.

Bayer, Roche Holding et Takeda font partie des entreprises qui travaillent avec Recursion Pharmaceuticals Inc. à Salt Lake City pour explorer la découverte de médicaments à l'aide de l'apprentissage automatique. Pendant ce temps, AstraZeneca Plc a formé un partenariat avec BenevolentAI au Royaume-Uni et Illumina Inc. à San Diego pour des efforts similaires.

"Lorsque les sociétés biopharmaceutiques appliquent avec succès l'IA dans la R&D, l'impact peut être significatif", déclare Alex Devereson, associé chez McKinsey & Co. qui conseille les fabricants de médicaments sur les processus et l'analyse numériques. "Dans cinq ans, nous nous attendons à ce que ces approches s'intègrent plus structurellement dans les processus de R&D pharmaceutique et conduisent à plus d'impact à grande échelle."

Bien que l'IA puisse aider, les scientifiques doivent encore effectuer de nombreuses démarches traditionnelles après le choix de la molécule. Le composé Takeda a ensuite nécessité des années supplémentaires d'essais cliniques sur l'homme et d'autres tests. Et l'IA a d'autres limites. Par exemple, il ne peut pas prédire les propriétés biologiques complexes, telles que l'efficacité et les effets secondaires des composés.

Pourtant, l'utilisation de la technologie pour identifier les prochaines thérapies à succès peut aider à éliminer certaines des suppositions qui nécessitent généralement des centaines d'expériences en laboratoire, souvent étalées sur de nombreuses années, pour identifier des molécules prometteuses.

Big Pharma est devenu plus sérieux au sujet de l'investissement dans l'IA et l'apprentissage automatique, ou ML, après 2018, lorsque l'unité DeepMind de Google parent Alphabet Inc. a utilisé un programme d'IA appelé AlphaFold pour battre un biologiste à prédire la forme des protéines, le bloc de construction de base de maladies. Déterminer la forme des protéines, l'un des problèmes les plus épineux de la biologie, aide les chasseurs de médicaments à affiner les molécules qui pourraient interagir avec elles et à identifier les médicaments pour attaquer la maladie.

La mise sur le marché d'un nouveau médicament a traditionnellement coûté près de 3 milliards de dollars et environ 90 % des médicaments expérimentaux échouent. Ainsi, la technologie qui accélère le processus peut être un important moteur de profits. Déterminer la structure 3D d'une protéine prend désormais quelques secondes avec AlphaFold, au lieu de plusieurs mois ou années, selon Eric Topol, fondateur et directeur du Scripps Research Translational Institute en Californie, cité sur le site Web de DeepMind.

La croissance de l'adoption de l'IA par les sociétés pharmaceutiques a été accélérée par la pandémie de Covid-19, alors que l'industrie se précipitait pour développer des armes pour combattre un virus inconnu. Pendant la pandémie, Pfizer Inc. s'est tournée vers l'IA pour développer le vaccin Covid Comirnaty, pour lequel elle s'est associée à BioNTech SE. Il a également élargi un partenariat avec le découvreur de médicaments AI basé à Shenzhen, en Chine, XtalPi Inc. pour accélérer la formulation chimique de la pilule Covid Paxlovid. Les deux ont été approuvés par la Food and Drug Administration des États-Unis en moins de deux ans, bien plus rapidement que les 10 ans qu'il faut habituellement à la plupart des médicaments pour arriver sur le marché. La vitesse a également été aidée par les régulateurs qui se sont précipités pour fournir au public des armes contre Covid.

Le médicament expérimental de Takeda, acheté auprès de Nimbus Therapeutics LLC, basé à Boston, serait l'un des rares traitements oraux au monde pour le psoriasis, une affection cutanée qui touche 125 millions de personnes dans le monde. Il a également le potentiel de traiter d'autres conditions telles que la maladie de Crohn, un trouble inflammatoire de l'intestin. Le médicament, actuellement appelé TAK-279, a déjà franchi avec succès les deux premières étapes des essais sur l'homme. Les algorithmes ont sélectionné la molécule actuelle dans environ un quart des deux années qu'une approche traditionnelle prendrait, explique Jeb Keiper, directeur général de Nimbus.

Les scientifiques testant les produits chimiques dans des béchers auraient besoin de tester de nombreuses molécules - "un nombre impossible", dit-il. Au lieu de proposer des dizaines de milliers de composés à comprendre, les ordinateurs suggèrent de tester 10 composés dans un laboratoire, puis d'obtenir des informations sur les résultats du laboratoire. Les machines apprennent de ces résultats pour faire une meilleure prédiction afin de fournir les cent prochains candidats à tester et finalement filtrer vers une molécule, explique Keiper.

De nos jours, plus de 500 scientifiques quantitatifs et experts techniques des centres de R&D de Takeda, de Boston à San Diego en passant par Shonan au Japon, passent leurs journées à analyser des données pour trouver, développer et fabriquer des médicaments révolutionnaires. Le fabricant de médicaments utilise l'IA et le ML pour identifier les meilleures molécules pour cibler les protéines et pour comprendre les caractéristiques des maladies et leur variation dans différentes populations de patients. Il travaille avec le Massachusetts Institute of Technology et plusieurs startups d'IA.

"Toute technologie qui libère des compétences de pointe pour nos employés, réduit le travail manuel, élimine les frictions du système et libère du temps pour une plus grande perspicacité et découverte scientifiques est vitale", déclare Anne Heatherington, responsable de l'institut de science des données de Takeda.

Les plus grands rivaux de Takeda exploitent également l'IA. Pfizer s'attend à un partenariat avec AlphaFold de DeepMind pour aider l'entreprise à concevoir et à valider des cibles thérapeutiques hautement efficaces qui étaient auparavant inconnues, déclare Lidia Fonseca, directrice du numérique et de la technologie chez Pfizer. "Nous avons utilisé de puissantes capacités de supercalcul avec l'IA et des modèles d'apprentissage automatique pour réduire nos temps de calcul globaux de 80 % à 90 %, et cela a en fait aidé à accélérer Paxlovid", déclare Fonseca.

Partout dans le monde, plusieurs médicaments potentiels identifiés par des startups utilisant l'IA font déjà l'objet d'essais sur l'homme. Ils comprennent cinq de Recursion Pharmaceuticals Inc. pour les maladies rares et l'oncologie et trois d'Exscientia pour des maladies telles que le cancer et les troubles obsessionnels compulsifs. Insilico Medicine, basée à Hong Kong, a un candidat en cours d'essais sur l'homme pour traiter la forme la plus courante de fibrose pulmonaire.

GSK Plc, basée au Royaume-Uni, compte plus de 160 experts dédiés à l'IA et au ML pour soutenir sa R&D et sa fabrication. Il génère également des données pour créer et alimenter les propres modèles d'apprentissage automatique de l'entreprise afin que chaque scientifique puisse finalement bénéficier des données que l'entreprise a produites dans le passé, explique Kim Branson, qui dirige l'IA chez GSK depuis 2019.

La Chine se tourne également vers l'IA pour améliorer la compétitivité mondiale de ses fabricants de médicaments. XTalpi est en partie financé par le géant chinois de la technologie Tencent Holdings Ltd., tandis que le PDG de Baidu Inc., Robin Li, a fondé une société de découverte de médicaments basée sur l'IA appelée BioMap.

Branson de GSK dit que même si l'IA est vraiment douée pour rassembler des données provenant de sources disparates, les choses se compliquent lorsqu'elle est utilisée pour des systèmes complexes. Pour assurer la sécurité, des expériences en laboratoire sont souvent nécessaires, dit-il.

De plus, les données utilisées pour créer des algorithmes peuvent contenir des biais qui peuvent se refléter dans les recommandations cliniques qu'ils génèrent, ont écrit des chercheurs de l'Université de Stanford dans une étude publiée dans le New England Journal of Medicine en 2018. Les algorithmes peuvent également fausser les résultats, selon qui les développe, ont découvert les chercheurs.

Cela n'arrête pas le bond des investissements. Il y a eu une augmentation du nombre de capital-risqueurs demandant des évaluations de sociétés potentielles de découverte de médicaments IA au cours des cinq dernières années environ, explique Russ Altman, professeur de bio-ingénierie à Stanford, qui a mené une diligence raisonnable des startups biotechnologiques pour les VC pendant des décennies. "Il est passé de zéro à cent", explique Altman. "Je n'avais pas fait de diligence raisonnable sur les sociétés pharmaceutiques d'IA en 30 ans. Et maintenant, j'en ai fait six à 10." —Avec Lisa Du et Ilena Peng

Pour contacter l'auteur de cette histoire : Kanoko Matsuyama à Tokyo à [email protected]

Pour contacter l'éditeur responsable de cette histoire : James Ellis à [email protected]

Anjali CordeiroRachel Chang

© 2023 Bloomberg LP Tous droits réservés. Utilisé avec autorisation.

Analyses juridiques alimentées par l'IA, outils de workflow et actualités juridiques et commerciales de premier ordre.

Connectez-vous pour continuer à lire ou accéder aux outils de recherche.