Les techniques d’IA sont prometteuses pour accélérer l’élaboration de médicaments mais celles-ci ne sont pas dépourvues de problèmes.
Actuellement, sans intelligence artificielle, le temps moyen estimé entre la découverte et le lancement d’une molécule est de dix à douze ans {1} et le coût moyen nécessaire pour amener une nouvelle molécule sur le marché a fortement augmenté (les coûts capitalisés totaux se sont avérés avoir augmenté à un taux annuel réel de 8,5 %). D’après une étude, cette progression peut être liée aux taux d’échec de mise sur le marché qui ont augmenté, possiblement en lien avec un positionnement de plus en plus averse aux risques des autorités de régulation {2}. Pour ne pas faciliter la situation, les brevets pour les composés thérapeutiques ne sont protégés que pour une durée que de 20 ans. Cela signifie donc que les entreprises n’ont au mieux qu’une dizaine d’années pour exploiter l'exclusivité que leur offre le brevet pour commercialiser leur produit. Passer ce délai cela signifie que des versions génériques pourront être produites par des concurrents.
Disposer d’algorithmes IA capables d’aider les chercheurs à trouver rapidement les séquences génétiques les moins coûteuses pourrait donc permettre de diminuer le temps de recherche et de développement des médicaments et ainsi que de rentabiliser davantage le processus.
La durée du processus de développement d’un médicament s’explique par le nombre d’étapes successives que les chercheurs doivent réaliser. Il y a notamment l’identification et la validation de la cible thérapeutique (souvent une protéine). Mais aussi le criblage de composés, qui est la phase de présélection des molécules qui présentent des activités prometteuses sur la cible lors des multiples essais systématiques. Ou encore le développement préclinique et clinique du futur médicament.
Dans le processus de conception de médicament ou plus communément dénommé « drug design », l’IA permet alors d’aider à prédire la structure moléculaire de la protéine visée ainsi que l’interaction entre le médicament candidat et la protéine.
De plus dans le cas du « drug screening » qui est le processus par lequel les médicaments potentiels sont identifiés puis optimisés pour des essais cliniques, l’IA est employée afin de prédire le niveau de toxicité, la bio activité et les propriétés chimique du médicament candidat.
L’intérêt de l’IA s’est réellement démontré lors de la propagation rapide du Covid-19. Celle-ci a forcé le monde médical à mettre au point en urgence, un médicament efficace contre cette nouvelle menace. Face à un virus relativement inconnu, plusieurs équipes ont employé des techniques de Machine Learning ou de Deep Learning pour identifier rapidement de nouveaux médicaments candidats.
Nous pouvons citer l’entreprise Iktos qui s'est associée avec l’institut SRI International pour découvrir de nouveaux composés contre plusieurs virus, dont le SRAS-CoV-2. Ainsi, l’entreprise a mis au point des « modèles génératifs » (à base de Deep Learning) associée à la plateforme de chimie synthétique du SRI. D’un côté leurs solutions d’IA aident à déterminer une structure chimique candidate pour une avoir une activité biologique précise. Et de l’autre la plateforme du SRI synthétise automatiquement cette structure moléculaire (en suivant des schémas de synthèses optimisés par ailleurs par une autre IA).
Pour aller plus loin dans votre découverte, voici une petite liste fournie par la « National Library of Medecine » d’exemple d’IA employées dans ce domaine.
Le haut niveau de calcul que peuvent atteindre les algorithmes d’IA est souvent au prix d’une compréhension limitée des modèles (phénomène de boite noire). Or, la problématique de l’explicabilité est critique, particulièrement dans le domaine de la chimie médicinale. En effet, les méthodes de développement actuelles sont explicables et basées sur des procédés mathématiques et biochimiques justifiables.
Ainsi, des modèles d’IA explicable (XAI) sont nécessaires et sont en cours de développement pour le secteur. Mais ils se heurtent à des difficultés spécifiques. La plupart des approches d’XAI ne sont pas des solutions prêtes à l'emploi à cause de la multiplicité des méthodes possibles de conception des médicaments et de leurs justifications. Ces XAI doivent donc être adaptées pour chaque méthode. De plus, pour être recevables, les explications générées par l’IA doivent refléter le niveau de sophistication des explications que fourniraient un spécialiste, or ce n’est pas encore le cas aujourd’hui {3}.
D’après l'Office européen des brevets, l'intelligence artificielle relève des "méthodes mathématiques » et est donc exclus techniquement du cadre de la brevetabilité (au même titre qu’il n’est pas possible de breveter une équation par exemple). Néanmoins, la réalité est plus complexe. Ainsi, une invention portant uniquement sur une méthode mathématique (par exemple portant sur la résolution d'équation) n’est pas brevetable. Toutefois, un procédé innovant pris dans son ensemble et qui comporterait une partie algorithmique (d’IA par exemple), pourrait voir sa solution globale brevetée et donc sa partie algorithmique protégée par la même occasion {4}.
Pour éviter ces problématiques, certaines entreprises spécialisées dans la recherche de médicaments s’appuient sur des dispositions relatives au secret commercial pour protéger leurs méthodes. Toutefois, les entreprises qui font ce choix ne peuvent pas bénéficier d’une protection juridique de leur monopole. Des concurrents peuvent ainsi développer cette même technologie de leur côté sans être inquiétés.
Au final, la question de la brevetabilité d’une IA ou d’un médicament découvert par cette méthode va dépendre de la manière dont la technologie est utilisée par l’entreprise.
L'utilisation de l'intelligence artificielle dans le domaine du développement des médicaments est un sujet relativement récent et en pleine expansion. Dans ce contexte l’IA vise à accélérer les processus de développement de médicament. Cela a été le cas notamment pour la conception de médicaments contre le Covid-19, ce qui a permis de crédibiliser davantage l’intégration de cette technologie dans cette industrie.
Cependant, l’usage de l’IA dans ce champ d’application n’est pas dénué de problématiques. Des questions sur l’explicabilité ou encore la brevetabilité restent centrales. Pour rendre les modèles plus compréhensibles, les chercheurs s’orientent désormais vers des approches mixtes dites XAI (eXplainable Artificial Intelligence). Une des pistes explorées est de par exemple, sacrifier la complexité des réseaux de neurones, au profit d’un modèle plus explicable et digne de confiance. Ce faisant, au fil de développements, ces nouveaux algorithmes permettraient de lever pour le milieu médical les verrous actuels qui freine son adoption de l’IA.
Retrouvez tous nos articles sur : https://numalis.com/publications.php
Ecrit par Quentin Guisti & Arnault Ioualalen & Baptiste Aelbrecht
Crédits images :
Bannière : Pina Messina (unsplash)
Image texte 1 : Daniel Schludi (Unsplash)
Image texte 2 : Gisun Mall (Unsplash)
