L'IA en médecine: sciences de la vie et découverte de médicaments

Bonjour, Habr! Aujourd'hui, je vais vous montrer ma traduction d'une merveilleuse interview avec Alexander Zhavoronkov . J'espère que ce sera aussi intéressant pour vous de lire que pour moi de traduire.



L'intelligence artificielle nous promet une meilleure santé, un développement et des tests de médicaments plus rapides. Tout cela se fait dans le but d'améliorer les résultats pour les patients. Aujourd'hui, nous discutons avec un expert mondial de l'utilisation de l'intelligence artificielle dans les sciences de la vie, dont l'objectif est de trouver et de développer des médicaments plus rapidement et à moindre coût.

Alexander Zhavoronkov est le fondateur et PDG d'Insilico Medicine. La société est un leader dans le domaine de l'intelligence artificielle de la prochaine génération, dont les méthodes visent la découverte de nouveaux médicaments, le développement de biomarqueurs et la recherche sur le vieillissement. Avant Insiliko, il a occupé des postes de direction chez ATI Technologies, NeuroG Neuroinformatics, la Foundation for Biogerontological Research et YLabs.AI. Depuis 2012, il a publié plus de 130 articles scientifiques évalués par des pairs et 2 livres. Pendant six ans, il a organisé les forums annuels «Recherche sur le vieillissement pour la découverte de médicaments et l'intelligence artificielle pour les soins de santé» à Basel Life / EMBO à Bâle. Alexander est professeur agrégé au Buck Institute for Aging Research.



Michael Kriegsman: Parlez-nous brièvement d'Insilico Medicine et de ce sur quoi vous travaillez.

Alexander Zhavoronkov: Nous nous concentrons principalement sur l'application de méthodes d'intelligence artificielle de nouvelle génération pour le développement de médicaments, le développement de biomarqueurs et la recherche sur le vieillissement. Nous nous concentrons spécifiquement sur deux techniques d'apprentissage automatique: les réseaux contradictoires génératifs ( GAN ) et l' apprentissage renforcé . Ce sont les méthodes dans lesquelles nous sommes les plus expérimentés dans notre domaine.

Nous utilisons ces méthodes à deux fins. L'un d'eux est l'identification de cibles biologiques et la création de biomarqueurs à partir de plusieurs types de données, ainsi que la création de nouvelles molécules, de nouvelles structures moléculaires avec un ensemble spécifique de propriétés. Nous avons été l'une des premières entreprises, peut-être la première à créer de nouvelles molécules à l'aide d'une nouvelle technologie appelée réseaux compétitifs génératifs, et à tester ces molécules expérimentalement.

Qu'est-ce qu'un pipeline de développement de médicaments?

Michael Kriegsman: Donnez-nous un peu de contexte. Qu'est-ce qu'un pipeline de développement de médicaments? Pourquoi est-ce si difficile? Parlons-en. Ensuite, nous pouvons passer à la façon dont l'IA le rend meilleur, plus facile.

Alexander Zhavoronkov: La découverte et le développement de médicaments est un processus très long. C'est également l'un de ces processus où vous avez plus d'échecs que de succès. En fait, il y a bien plus d'échecs que de succès.

Il faut plus de 2,6 milliards de dollars pour développer un médicament et le mettre sur le marché pour traiter une maladie spécifique. C'est après que la molécule a été testée sur des animaux. De plus, après avoir testé la molécule chez l'animal, le taux d'échec est de 92%. Lorsqu'un médicament est testé chez l'homme, il échoue dans 92% des cas. Ainsi, le processus est non seulement long, mais aussi risqué.

En règle générale, le temps requis pour la découverte et le développement d'une molécule est d'environ dix ans. Les personnes qui initient le processus ne sont pas toujours présentes lorsque la molécule envahit. Le processus comprend plusieurs étapes.

Le premier est la génération d'hypothèses. Vous proposez une hypothèse, une théorie d'une maladie spécifique et déterminez les cibles appropriées. Vous parlez des protéines impliquées dans la maladie et des protéines qui en sont la cause.

Après cela, vous allez développer un anticorps ou une petite molécule pour cette protéine cible. Si vous développez une petite molécule, vous commencez généralement par vérifier de grandes bibliothèques de composés qui peuvent atteindre cette cible particulière, et faites toutes sortes d'expériences pour voir comment ces petites molécules se lient à cette cible.

Après cela, vous sélectionnez plusieurs options. Vous déterminez quelles molécules conviennent le mieux à cette protéine cible et commencez à mener toutes sortes d'expériences sur ces molécules pour déterminer si elles fonctionnent bien dans le système biologique, dans une analyse liée à la maladie, chez une souris, un chien ou d'autres animaux, et alors vous faites une demande d'IND ( recherche de nouveaux médicaments ) auprès de la FDA pour obtenir la molécule dans les essais cliniques.

Une fois ce processus terminé, nous commençons à développer des médicaments et à commencer des essais cliniques. Tout commence par la phase I, qui est liée à la sécurité. Dans la phase II, vous testez l'efficacité du médicament. Dans la phase III, vous testez les deux phases dans de grands milieux cliniques, dans de grandes populations. Après, vous pouvez passer à la phase IV ou lancer la libération du produit.

Découverte de médicaments et recherche post-commercialisation

Alexander Zhavoronkov: Et puis la recherche post-commercialisation. Ce processus prend généralement plus de dix ans et échoue dans 92% des cas.

Avec l'IA, vous pouvez vraiment jouer dans presque tous les segments, à commencer par la découverte de médicaments à un stade précoce, lorsque l'IA peut vous aider avec le modèle d'hypothèse et, en fait, retirer les aiguilles de la botte de foin avec l'identifiant de la cible, avec l'identification de petites molécules, avec un dépistage virtuel, avec la création de nouvelles molécules aux propriétés particulières, avec la planification de la conception d'un essai clinique et l'inclusion dans un essai clinique. Et puis, aussi, pour prédire les résultats des essais cliniques.

Michael Kriegsman: Où l'IA commence-t-elle à raccourcir le processus, à mieux faire?

Alexander Zhavoronkov: Si vous êtes aux premiers stades du développement d'un médicament, commencez à travailler sur la génération d'hypothèses et l'identification de cibles, vous avez généralement plusieurs façons de suivre. Une façon consiste à rechercher de la littérature et à identifier des domaines prometteurs qui ont été découverts par des scientifiques dans le passé et publiés.

L'IA peut vous aider à produire une énorme quantité de documentation, ainsi que d'autres sources connexes, pour identifier les signaux et les cibles qui peuvent être associés à la maladie. Chez Insilico, nous commençons généralement par les données de subvention. Nous envisageons des subventions biomédicales d'une valeur d'environ 1,7 billion de dollars au cours des 25 dernières années. Ensuite, nous examinons comment ces subventions se transforment en publications, en brevets d'essais cliniques, puis en produits sur le marché.

Nous suivons d'idée en idée et d'argent en argent, c'est-à-dire d'argent sur le marché. Nous observons également comment l'argent devient des données. Ainsi, généralement, lorsque le gouvernement soutient une certaine étude, les données doivent être stockées dans un référentiel public afin que d'autres personnes puissent les copier, ainsi que pour le bien commun.

Nous essayons de garder une trace de l'argent dans les données. S'il n'y a pas de données, nous essayons de contacter le scientifique et d'obtenir des données du scientifique et / ou exhortons le scientifique à mettre les données dans un magasin public.

Nous commençons par des bases de données textuelles, mais associons également ces données à des données omix. En fait, tout ce qui se termine par «ohmique» (transcriptomique, génomique, métabolomique, métagénomique) est appelé données omix.

Nous travaillons principalement avec des données sur l'expression des gènes, nous examinons donc comment le niveau d'expression de certains gènes ou de réseaux entiers passe, par exemple, d'un état sain à une maladie. Nous transformons ces changements, ces signes de la maladie en cibles distinctes, et déterminons quels types de protéines peuvent être ciblés à l'aide d'une petite molécule.

Ensuite, nous revenons à l'art antérieur dans le texte et voyons si quelqu'un a publié quelque chose qui renforcerait notre hypothèse. Cela ne signifie pas nécessairement que notre hypothèse est incorrecte s'il n'y a pas de signal dans le texte, car parfois les gens ne pouvaient tout simplement pas vraiment associer une cible spécifique à la maladie en utilisant des méthodes plus anciennes, mais cela nous donne un peu plus de confiance pour voir que quelqu'un est déjà abordé ce problème et cet objectif auparavant.

Nous collectons d'énormes quantités de données qui sont tout simplement impossibles à traiter à l'aide de l'intelligence humaine. Nous collectons et combinons également ces types de données. Parfois, ces types de données sont totalement incompatibles, et il est impossible de simplement les assembler à l'aide d'outils standard. Vous avez vraiment besoin de former simultanément des réseaux de neurones profonds dans plusieurs paquets de données afin qu'ils puissent être généralisés et que nous puissions extraire les fonctions correspondantes présentes dans plusieurs types de données en même temps.

Certains types de données avec lesquelles nous travaillons sont totalement incompréhensibles pour l'esprit humain. Comme, par exemple, des données d'expression génique ou des données de mouvement, ou des données de balayage d'activité cardiovasculaire, ou des données d'échographie. Nous parvenons à combiner ces types de données à l'aide de l'IA, puis à déterminer les cibles correspondantes.

Biologie vs intelligence artificielle

Michael Kriegsman: Chez Insilico, votre spécialisation principale est la biologie et la médecine ou le développement de méthodes d'intelligence artificielle? Est-il possible de séparer ces deux directions?

Alex Zhavoronkov: Dans notre cas, les deux domaines sont bons et nous embauchons des personnes sur une base compétitive, à l'échelle internationale. Lors des concours, nous effectuons des tests très complexes que les gens doivent résoudre très rapidement. Ces problèmes sont généralement associés au développement de la méthode de l'IA et à la solution d'un problème biologique ou chimique complexe.

Cependant, lorsque vous regardez les très grands scientifiques de l'IA, ils ne sont généralement pas très bons en biologie ou en chimie. Ils sont bons en mathématiques. C'est pourquoi un certain pourcentage de notre entreprise est tout simplement de merveilleux mathématiciens qui développent de nouvelles méthodes, par exemple, pour combiner chimie et biologie en utilisant l'apprentissage en profondeur.

Une partie de l'entreprise est spécialisée dans l'application de méthodes existantes, telles que le GAN, et l'amélioration de la formation sur les problèmes existants en chimie et en biologie. Ces personnes sont généralement du côté des candidats et connaissent à la fois la chimie et la biologie. Ils peuvent communiquer avec des mathématiciens et mener des recherches fondamentales dans le domaine de l'IA.

Bien sûr, nous n'avons que des biologistes et des chimistes purs qui sont également nécessaires pour tester certains des résultats de notre IA. C'est pourquoi nous avons une équipe si grande, diversifiée et internationale, car nous devons vraiment couvrir ces trois domaines: méthodes, applications et validation.

Michael Kriegsman: Nous avons une question intéressante de Chris Peterson sur Twitter: «Les programmes parallèles Fortran basés sur la grille sont toujours utilisés pour certaines études pharmacocinétiques et pharmacodynamiques. Voyez-vous que l'IA remplace le code de la vieille école, l'améliore ou évolue en parallèle? »

Alexander Zhavoronkov: Je pense que maintenant nous devons avancer en parallèle. Bien sûr, certaines des anciennes méthodes sont encore utilisées par de véritables experts de premier plan dans le domaine de la découverte de médicaments. Mais la plupart de ces méthodes sont considérablement accélérées par le calcul haute performance et l'intelligence artificielle, il s'agit donc d'un logiciel typique qui existe depuis très longtemps, par exemple Schrodinger. L'entreprise existe depuis 92 ans.

L'entreprise a fait une percée majeure dans de nombreux domaines et a pu faire progresser d'anciens algorithmes pour résoudre des problèmes très complexes. Je pense qu'Insilico nous essayons de tout réinventer et d'écrire notre propre logiciel. Mais, bien sûr, nous connaissons beaucoup de nos employés qui voudraient simplement prendre de petits morceaux de notre grand salami, que nous développons, et jouer avec. Peut-être qu'ils utilisent des outils plus classiques que nous ne pouvons pas contourner pour le moment.

Idéalement, vous devez disposer d'un convoyeur monobloc qui identifie les cibles, génère des molécules et conduit ces molécules à travers un grand nombre de simulations dans un convoyeur sans soudure. C'est ce que nous construisons, et c'est notre Saint Graal. Mais, bien sûr, de nombreuses entreprises, de nombreux groupes tentent de créer le jeu Lego et essaient d'utiliser plusieurs outils avec des sorties différentes pour résoudre le même problème.

Développement d'outils IA au sein de l'entreprise

Michael Kriegsman: Pourquoi développez-vous vos propres outils?

Alexander Zhavoronkov: Oui, tout simplement parce que la plupart des méthodes que nous utilisons sont si nouvelles qu'elles sont incompatibles avec des outils plus anciens. Il existe de nombreux groupes qui prétendent être engagés dans l'intelligence artificielle, mais, en fait, ils sont engagés dans des travaux mécaniques, prenant des logiciels prêts à l'emploi et essayant de combler certaines lacunes dans la recherche et le développement pharmacologiques à l'aide de ces outils. Nous ne le faisons pas. Nous développons tout à partir de zéro, de l'identifiant de la cible à la génération de petites molécules.

Michael Kriegsman: Maintenant, nous avons parlé d'utiliser vos méthodes pour identifier les candidats potentiels. L'étape suivante consiste à évaluer. Tout d'abord, nous devons libérer les possibilités, et vous le faites en agrégeant toutes ces données, puis en les analysant à l'aide de diverses méthodes. Supposons que vous l'ayez fait. Comment évaluez-vous les candidats que vous avez révélés initialement?

Alexander Zhavoronkov: Habituellement, lorsque vous avez une liste de protéines cibles pour une maladie spécifique et que vous essayez d'établir des priorités, vous essayez d'annoter ces protéines avec le plus grand nombre de points possible. Vous cherchez à savoir si cette protéine cible a déjà été impliquée dans la toxicité. Comment est-ce lié à tout le reste? Dans quel tissu joue-t-il un grand rôle? Comment une protéine interagit-elle avec d'autres protéines? Est-ce un remède? Est-ce un médicament à petites molécules ou un anticorps? Quelqu'un d'autre a-t-il utilisé cela? Quel est l'espace des brevets autour de la molécule? Quelqu'un a-t-il essayé de l'emmener à la clinique avec une petite molécule ou un anticorps pour une maladie spécifique?

Il y a beaucoup, beaucoup, beaucoup, beaucoup de fonctions d'évaluation que vous devriez considérer. En fin de compte, lorsque vous avez essentiellement un très petit ensemble de cibles, vous les testez également dans divers systèmes biologiques pour déterminer celui qui convient le mieux à la maladie qui vous intéresse.

Je vais donner un exemple tiré de la pratique. Par exemple, nous sommes très intéressés par la fibrose. La fibrose n'est pas un processus très simple à décrire, et il existe plusieurs types de fibrose. Il y a IPF , ou fibrose pulmonaire. Dans les poumons, une fibrose induite par le tabagisme est observée, en outre, une fibrose sénile est observée. Nous avons identifié plus de 120 types de fibrose, en comparant un tissu normal avec un tissu fibreux associé à une condition particulière.

Nous avons récemment mené une étude de cas dans laquelle nous avons examiné l'IPF, identifié une liste de cibles pour cette condition, et notre liste avait 50 cibles. Nous avons regardé quand ces cibles sont plus actives et plus pertinentes pour la maladie, à quel stade de la maladie, car, je pense, si vous comprenez cela plus tard ou résolvez ces problèmes plus tard, vous traiterez les symptômes, pas la cause.

Dans notre cas, nous définissons une grande liste de cibles susceptibles d'être très pertinentes aux premiers stades de la progression de la maladie. Ensuite, nous regardons quelles cibles sont nouvelles, lesquelles cibles auxquelles les gens n'ont pas prêté attention. Nous ne voulons pas nous concentrer sur les anciens objectifs. Ensuite, nous regardons quelles cibles conviennent aux médicaments, où nous pourrions réellement trouver une petite molécule dans la bibliothèque, ou nous pouvons créer une molécule à partir de zéro. Ensuite, nous regardons quelles cibles peuvent être testées dans un ensemble particulier de tests de fibrose.

Michael Kriegsman: Où est l'influence des technologies d'intelligence artificielle que vous utilisez dans ce processus?

Alexander Zhavoronkov: Habituellement pour calculer le score du résultat. Vous répartissez plusieurs points pour les cibles. Dans notre cas, la cible compte plus de 50 points. Nous déterminons si elle a déjà été impliquée dans un certain état, si elle interagit avec d'autres protéines d'une certaine manière et si cela peut entraîner une toxicité. Ces prédicteurs qui vous donnent essentiellement une telle évaluation et la probabilité que cet objectif soit le plus pertinent sont étudiés en profondeur et développés par diverses organisations. Nous avons développé nos prédicteurs en utilisant l'apprentissage automatique.

Académie vs industrie

Michael Kriegsman: Nous avons une autre question intéressante de Twitter de Shreya Amin. Elle écrit: «En quoi les types de recherche que vous décrivez et les processus diffèrent-ils entre les universités et l'industrie?»

Alexander Zhavoronkov: C'est une très, très bonne question. Dans l'industrie, dans les grands produits pharmaceutiques, les gens sont un peu moins entreprenants. Ils essaient de développer diverses méthodes pour vraiment résoudre le problème et apporter des changements graduels. Leurs méthodes ne visent pas à être publiées dans une revue scientifique.

Dans le monde universitaire, les gens sont beaucoup plus inventifs et entreprenants. Ils essaient de publier les résultats. C'est de là que vient l'innovation en premier lieu.

Chez Insilico, nous sommes entre science et industrie, nous publions donc environ deux articles scientifiques par mois. C'est même suffisant pour que certains groupes universitaires prouvent également le concept et expliquent où nous allons.

Je pense que les universitaires sont beaucoup plus productifs de nos jours, que ce soit en développant de nouvelles méthodes et en montrant de nouvelles directions. Cependant, l'écart entre de très bons informaticiens qui développent de nouvelles méthodes pouvant être pertinentes pour la découverte de médicaments est très souvent loin de la biologie et de la chimie.Ils produisent des articles vraiment bons en termes d'apprentissage automatique, mais les résultats sont très loin des applications réelles. Très souvent, ils ne comprennent pas vraiment qu'ils sont rééquipés quelque part ou, si c'est un résultat complètement hors de propos, qu'ils obtiennent ou n'obtiennent qu'après que quelqu'un les ait essayés en biologie et en chimie.

Très souvent, et c'est actuellement plus courant, de nombreuses personnes publient des articles dans les archivesavec un titre accrocheur afin qu'ils deviennent viraux et soient choisis par les navigateurs, Google ou certaines agences de presse. Ils obtiennent la reconnaissance et les relations publiques pour ce travail, mais ensuite vous essayez de répéter ce qu'ils ont fait, ou même de lire attentivement l'article, et vous comprenez que dans le monde réel, cela ne fonctionnera pas. Je pense que ces articles et ces types d'efforts, les premiers résultats, en particulier de la part des groupes académiques, sans passer par une évaluation d'experts, ont également introduit un grand scepticisme dans la grande pharmacie. Les gens ne pensent tout simplement pas que de nombreuses méthodes sont pertinentes, applicables ou transforment leur entreprise.

Constituer une équipe pour l'intelligence artificielle et la biotechnologie

Michael Kriegsman: Parlons de l'aspect du team building, car l'une des choses que vous avez mentionnées à quelques reprises est l'importance à la fois de l'apprentissage automatique et de la biologie. Ce sont des compétences très spécialisées, et comment créez-vous des équipes qui permettent aux deux parties de travailler ensemble et de créer quelque chose que l'une ou l'autre ne peut pas faire seule?

Alexander Zhavoronkov: C'est une autre très bonne question. Dans notre cas, c'est l'une des raisons pour lesquelles nous progressons si lentement. Nous travaillons depuis 5 ans, mais nous sommes toujours 66 personnes. L'une des raisons de cette croissance organique lente est qu'il faut du temps pour vraiment associer les scientifiques de l'IA aux biologistes et aux chimistes. Il est très difficile de trouver des personnes qui sont bonnes dans les deux cas en même temps. Habituellement, vous connaissez bien les mathématiques ou la chimie, ou vous avez vraiment besoin d'avoir de bonnes compétences en programmation pour pouvoir créer une API et combiner correctement votre technologie avec celle de quelqu'un d'autre.

Nous essayons de travailler en groupes de trois ou quatre personnes sur des projets thérapeutiques spécifiques dans lesquels une personne connaît bien la chimie ou la biologie, une personne est bonne en intelligence artificielle et l'autre est juste en informatique de base. Ce sont principalement des équipes de trois ou quatre personnes. En plus d'eux, il existe une infrastructure, une infrastructure organisationnelle qui aide à gérer ces équipes. Nous avons également séparé l'équipe d'intelligence artificielle de tous les autres afin qu'ils puissent travailler sur des méthodes sans entrer dans le domaine des applications.

Il est très, très difficile d’obtenir ce genre de talents qui veulent vraiment contribuer au développement de méthodes et développer de nouveaux algorithmes. Amener les gens qui savent bien appliquer des méthodes déjà développées est assez simple. Faire travailler deux ensemble est très difficile. Pour ce faire, nous essayons à nouveau de réaliser une croissance organique et travaillons sur des projets en petites équipes.

Modèle commercial Insilico

Michael Kriegsman: En fait, nous avons une question Twitter sur votre modèle commercial. Chris Peterson pose de merveilleuses questions. Merci beaucoup, Chris. Il demande: "Avez-vous conclu un accord pour rechercher une thérapie spécifique ou développez-vous des molécules à partir de zéro et espérez-vous les autoriser pour des essais cliniques par distribution?"

Alexander Zhavoronkov: Nous travaillons depuis cinq ans et nous avons étudié plusieurs modèles économiques. En tant qu'entreprise d'intelligence artificielle, vous devez la rechercher, car sinon, il est très, très difficile d'évoluer sur un modèle d'entreprise, et c'est également très risqué.

Nous avons commencé en tant que société de services et nous avons commencé à travailler avec des sociétés pharmaceutiques, des sociétés de biotechnologie ainsi que des fonds de capital-risque, où nous fournissions des services ou leur fournissions un système. Nous avons étudié les applications que les gens recherchent et avons commencé à développer nos propres petites molécules, à les découvrir, puis à les licencier.

Notre modèle commercial actuel est en fait très simple et nous permet de nous adapter. Nous travaillons avec des sociétés de capital-risque qui connaissent vraiment le secteur de la biotechnologie et participent au développement de médicaments. Ils nous dirigent là où nous devons identifier des cibles et générer de petites molécules. Ensuite, ils forment des équipes autour de ces petites molécules et de leurs cibles et leur permettent de tester et de développer un peu plus les associations de ces molécules cibles.

Ce que nous obtenons est un petit acompte, puis nous recevons des paiements intermédiaires au fur et à mesure que les molécules passent par les différentes étapes de vérification. Ensuite, nous obtenons des redevances. Habituellement, si vous envisagez une BioBox ou un revenu futur pouvant être obtenu à partir d'une molécule, ces transactions sont très, très importantes, mais le paiement initial est assez faible.

C'est pourquoi nous avons une autre entreprise qui s'occupe de licences de logiciels, où nous concédons en licence certains de nos outils logiciels à d'autres pour générer des revenus et assurer la durabilité, la cohérence et la rétroaction sur le fonctionnement du logiciel; si nous devons ajouter plus de fonctionnalités.

Un autre modèle commercial - nous avons plusieurs sites communs. Par exemple, une coentreprise avec une société appelée Juvenessence. Ils développent les molécules que nous leur fournissons.

Michael Kriegsman: Eh bien, vous travaillez sur un certain nombre de choses et essayez de soutenir vos modèles commerciaux.

Alexander Zhavoronkov: C'est vrai. Mais ce qui nous intéresse le plus, ce n'est pas le revenu direct. Dans la plupart de ces accords de licence, nous obtenons certaines données. Dans une large mesure, nous sommes devenus l'une des plus grandes usines de données au monde, recevant des données d'expériences précliniques.

Michael Kriegsman:C'est intéressant. Nous avons une autre question Twitter de @TrovatoChristian. Il est ingénieur biomédical et Ph.D., étudiant en biologie computationnelle au département d'informatique d'Oxford. Soit dit en passant, il est très intéressant pour moi que la biologie informatique appartient à la section de l'informatique, et non à la section de la biologie. Sa question: "Existe-t-il des exemples de médicaments développés uniquement par l'IA?"

Alexander Zhavoronkov:Il n'y a actuellement aucun exemple de ce genre. Il y a toujours une personne entre l'IA et la médecine. J'espère que dans un avenir très proche, nous pourrons montrer qu'un canal dans lequel pas une seule personne n'a été impliquée pour identifier la cible et générer de petites molécules pourrait ouvrir certaines de ces molécules. Mais pour le moment, l'expérience est reine parmi les méthodes de découverte et de développement de médicaments. Donc, si vous ne pouvez pas tester vos méthodes expérimentalement, elles ne progresseront pas. Je n'ai jamais vu d'exemple de molécule entièrement générée à l'aide de l'IA.

Michael Kriegsman: Qu'est - ce qui empêche l'utilisation de l'IA du début à la fin?

Alexander Zhavoronkov:Eh bien, en raison des défaillances de la pharmacie en général. Il y a très, très peu de réussites à tirer. Ces réussites sont très, très diverses. Dans certaines régions, il est facile de vérifier si votre algorithme donne une sortie significative. Mais dans de nombreux cas, vous devez vraiment tout vérifier à chaque étape du processus. C'est pourquoi lorsque vous créez ce salami qui vous permet d'aller du début à la fin, vous devez vous assurer de vérifier chaque morceau de salami et de le vérifier à l'intérieur, ainsi que de le vérifier avec des partenaires externes. C'est ce que nous essayons de faire.

Michael Kriegsman: Il est possible qu'il existe déjà des méthodes pour développer des médicaments contre l'IA, mais à ce stade, il semble qu'il soit trop tôt pour utiliser de telles méthodes.

Alexander Zhavoronkov:À ce stade, personne n'a essayé de virtualiser complètement la découverte de médicaments utilisant l'IA et de le faire sans intervention humaine. Dans de nombreux domaines, cela est pratiquement impossible uniquement parce que la biologie et la médecine sont si diverses qu'il est très, très difficile de trouver une solution qui convient à tout le monde. Une validation est requise à chaque étape, et pour le moment, ces convoyeurs ne fonctionnent que dans certaines conditions thérapeutiques.

Michael Kriegsman:Permettez-moi de vous poser une autre question sur Twitter. C'est encore une fois de Shreya Amin, une grande question, intéressante. Elle écrit: "En utilisant les méthodes existantes de l'intelligence artificielle, quels domaines en termes de types de médicaments, de maladies, de conditions, etc. sont les plus proches des percées ou ont réalisé les plus grands progrès, et quel est le plus difficile dans ce processus?"

Alexander Zhavoronkov: Je vais vous donner un exemple que je connais très, très bien. Nous avons plusieurs inhibiteurs de JAK qui sont entièrement développés en utilisant GAN et l'apprentissage par renforcement. Je pense que c'est l'une des méthodes les plus prometteuses pour la conception moléculaire de novo.

Nous sommes actuellement au stade des tests chez la souris, nous sommes allés des analyses enzymatiques aux souris et avons montré que maintenant nous pouvons atteindre la sélectivité, la spécificité avec ces molécules, et ces molécules ont de nombreuses autres propriétés. Ce sont des méthodes assez courantes à notre époque, à la fois le GAN que nous avons utilisé et la technique d'apprentissage renforcé. Ce n'est pas quelque chose de super nouveau, nous avons donc vraiment changé notre recherche et développement dans une direction légèrement différente.

Michael Kriegsman: Comment tout cela se développera-t-il dans les prochains, je ne sais pas, trois, quatre ans, deux ou quatre ans? Ne sortons pas avant une douzaine d'années. Au cours des prochaines années, à quoi cela ressemblera-t-il?

Alexander Zhavoronkov:Je pense que des sociétés comme la nôtre accorderont beaucoup plus d'attention à leur recherche et développement interne, plutôt que de collaborer avec de grandes sociétés pharmaceutiques, car travailler avec de grandes sociétés pharmaceutiques est généralement le chemin vers nulle part, car c'est soit la mort de l'entreprise au stade initial, soit ils prennent simplement votre expérience et vous rattrapent. Mais en même temps, elles sont si bureaucratiques qu'elles sont très difficiles à changer, et en même temps, au niveau des PDG, les grandes sociétés pharmaceutiques sont plus concentrées sur l'augmentation des ventes ou l'achat d'autres sociétés pour augmenter les ventes. La recherche et le développement internes ne sont pas vraiment considérés comme une priorité énorme, et quoi qu'ils pensent, c'est un fait. Doit généralement être de 15 à 20% dans le compte de résultat,car sinon les investisseurs ne vont pas investir dans l'entreprise. Mais les performances de ces recherches et développements internes sont généralement très faibles.

Je pense que les petites sociétés de biotechnologie qui utilisent l'IA et la virtualisation de découverte de médicaments seront très réussies. Il y a quelques cas que j'admire dans l'industrie, comme Nimbus Therapeutics . Ils ont pu virtualiser l'ensemble du processus de recherche et de développement de médicaments, mettre sur le marché certains des actifs de la seconde phase et les licencier.

Je pense que les personnes qui comprennent vraiment le processus et peuvent le virtualiser seront gagnantes. Jusqu'à présent, je connais plusieurs entreprises qui font cela, donc certaines entreprises travaillent avec nous. Certains sont en mode furtif. Je pense qu'ils seront gagnants à l'avenir.

Lorsque vous parlez de la découverte de drogues dans deux ou trois ans, c'est en fait un temps très, très court. Dans de nombreux autres domaines du développement humain, si vous me demandez de planifier cinq ans à l'avance, je ne peux pas, car tout change très rapidement. En pharmacie, ce n'est pas le cas. Nous devons vraiment expérimenter et le faire correctement.

Recherche sur la longévité et le tabagisme

Michael Kriegsman: Parlez-nous brièvement de la dernière étude que vous avez menée sur la longévité ou le tabagisme? Je sais que nous n'avons pas le temps, mais ce serait bien de le savoir.

Alexander Zhavoronkov: Bien sûr. Nous venons de publier un article très drôle montrant que le tabagisme accélère le vieillissement. Un domaine sur lequel nous nous concentrons est la prédiction de l'âge en utilisant plusieurs types de données, telles que des images, des tests sanguins, des données de transcriptome, des données protéomiques, des données de microbiome. Nous utilisons ces données pour prédire avec précision l'âge d'une personne, puis nous verrons quelles interventions ou changements de comportement, quel style de vie rend une personne plus jeune ou plus âgée.

Nous avons réalisé ce projet au Canada. Nous avons travaillé avec l'Université de Lethbridge et le gouvernement de l'Alberta pour traiter un vaste ensemble de données sur les fumeurs et les non-fumeurs d'âges différents, en étudiant uniquement des analyses de sang anonymes. Tout d'abord, nous avons créé un prédicteur du statut tabagique, alors maintenant je peux dire avec suffisamment de certitude si vous fumez ou non en faisant un test sanguin, mais nous avons également montré que les personnes qui fument ont l'air plus âgées que les non-fumeurs sur la base de l'utilisation d'un réseau neuronal profond formé à l'analyse du sang.

Après avoir publié l'article, il est devenu assez viral et nous avons reçu des critiques très positives. Par exemple, ma fille ne pense à arrêter de fumer que parce qu'elle ne veut pas avoir l'air vieille. Les gens ne se soucient pas vraiment de leur santé, mais ils se soucient vraiment de leur apparence. Si vous ne voulez pas avoir l'air vieux, arrêtez de fumer.

Michael Kriegsman: Bien. Bon conseil. Alexander, merci beaucoup d'avoir pris le temps de nous parler. Passez une bonne journée. Prenez soin de vous. Au revoir.

L'original