L'utilisation de l'IA pour accroître l'efficacité de la découverte de médicaments a considérablement augmenté au cours des dernières années. La découverte de médicaments peut désormais bénéficier d'outils et de méthodes qui peuvent accélérer la découverte de nouvelles entités chimiques, faciliter le processus d'optimisation des propriétés chimiques et même prédire les expériences de laboratoire avant d'emmener les composés au laboratoire. Ces outils avancés contribuent en fin de compte à une réduction significative des coûts et du temps associés à la conduite d'une campagne de découverte de médicaments.
Malgré les contributions remarquables de l'IA à la découverte de médicaments, le processus reste difficile. Les exemples de réussite concernant des médicaments conçus par l'IA restent très limités. Voici quatre raisons principales qui expliquent le ralentissement du cycle d'adoption et du taux de réussite de l'IA :
L'IA pour la découverte de médicaments est une entreprise multidisciplinaire. Si l'IA est un outil puissant, l'appliquer avec succès à la découverte de médicaments est un art délicat qui nécessite l'intégration minutieuse de trois disciplines : L'IA, la chimie et l'ingénierie. Les modèles et les méthodes ont besoin de données chimiques de haute qualité pour produire des résultats significatifs, et le processus de construction d'un pipeline de découverte de médicaments de bout en bout nécessite une infrastructure évolutive soutenue par un calcul à haute performance.
La qualité et la quantité des données sont importantes. L'IA n'est pas une panacée ; la qualité du résultat est définie par la qualité des données introduites dans le modèle. Ce point est peut-être plus critique en chimie que dans tout autre domaine en raison de ce que l'on appelle les "falaises d'activité", c'est-à-dire la forte corrélation entre les petites modifications des structures chimiques et les activités des composés. Il est donc essentiel que les modèles utilisent des ensembles de données diversifiés et propres, bien annotés et couvrant de nombreuses variations possibles. Un grand nombre de données disponibles dans le domaine public ne présentent pas au moins l'un de ces aspects. Elles sont soit propres, mais de petite taille, soit volumineuses, mais loin d'être adaptées à l'apprentissage automatique.
Les données négatives sont cruciales. Dans le domaine de l'apprentissage automatique, nous parlons beaucoup de l'équilibrage des données et de l'importance de disposer d'un échantillon représentatif d'échantillons négatifs et positifs pour former un bon modèle d'apprentissage automatique. Cela s'étend naturellement à l'application de l'apprentissage automatique en chimie. Malheureusement, il est difficile de trouver des données négatives en chimie, en particulier au stade précoce de l'identification des résultats. La littérature publiée ne fait état que de résultats positifs, ce qui rend difficile la construction d'un bon modèle sans investir dans de nouvelles méthodes et/ou payer pour des tests en laboratoire.
La recherche ne se traduit pas nécessairement. Pour un grand nombre des raisons susmentionnées, la plupart des travaux publiés, en particulier en ce qui concerne la précision des modèles, ne se traduisent pas par une mise en production. Les ensembles de données accessibles au public sont relativement restreints et peu diversifiés, et bien qu'ils constituent le principal banc d'essai pour l'innovation en matière d'IA et servent de référence pour la comparaison, les résultats ne sont pas nécessairement concluants. L'étalonnage interne avec des données de qualité industrielle est le plus souvent nécessaire.
Construire une usine de données intégrée
Les facteurs susmentionnés sont au cœur de notre réflexion sur l'avenir de l'IA dans la découverte de médicaments et sur les principaux obstacles à surmonter. Ils constituent également le fondement de notre réflexion sur les capacités et les valeurs qui sous-tendent la technologie de GlamorousAI. Nous concentrons nos efforts sur la résolution des problèmes de données qui entravent l'applicabilité de l'IA, et nous avons fait de grands progrès dans le développement de méthodes robustes, efficaces en termes de données et évolutives.
Notre approche de l'IA pour la découverte de médicaments, notre vision du domaine et la manière dont l'IA peut accélérer le chemin vers la guérison constituent le campus directeur qui a réuni X-Chem et GlamorousAI. Les synergies entre les deux entreprises et les capacités apportées par la fusion sont immenses.
En tant qu'entreprise intégrée, nous sommes une gigantesque usine à données qui fournit une profondeur et une étendue sans précédent de données propres et diverses pour alimenter notre moteur de découverte de médicaments par l'IA. Nos forces combinées nous permettent de former des modèles meilleurs et plus robustes que nous utilisons pour transformer chaque étape de la découverte préclinique de médicaments, de l'identification du hit au candidat préclinique.
Notre mission est de partager nos innovations avec le monde entier. Avec notre plateforme, ArtemisAI, nous construisons une interface transparente et intuitive qui rend nos meilleurs modèles et nos technologies innovantes accessibles à tous les chasseurs de médicaments. Notre objectif ultime est de guérir les maladies, et nous sommes convaincus que notre technologie, mise entre les mains d'experts en médicaments, permettra de franchir une étape dans la découverte de médicaments.
