| EN BREF |
|
Les avancées récentes de l’intelligence artificielle continuent de transformer le secteur pharmaceutique, notamment grâce à des initiatives innovantes comme celles de SandboxAQ. Cette startup, issue de Google et soutenue par NVIDIA, a récemment dévoilé un ensemble de données révolutionnaires, conçu pour accélérer le processus de découverte de médicaments. Ce nouveau jeu de données, appelé Structurally Augmented IC50 Repository (SAIR), se compose de millions de co-structures moléculaires générées par ordinateur, chacune associée à des données de puissance réelles. Ces ressources visent à répondre à l’une des questions les plus cruciales de la recherche pharmaceutique : un médicament potentiel se liera-t-il efficacement à sa protéine cible ?
Optimiser l’interaction entre médicaments et protéines
Le dataset de SandboxAQ est spécifiquement conçu pour améliorer les modèles prédictifs qui évaluent si une petite molécule peut se lier à une protéine spécifique. Cette interaction est cruciale car elle détermine si un médicament peut inhiber ou modifier un processus biologique, tel que l’arrêt de la propagation d’une maladie. Traditionnellement, ces études requièrent des méthodes expérimentales coûteuses et longues, débutant par l’obtention d’une structure 3D de la protéine cible, suivie de tests sur des milliers de molécules. Prédire la pose et la puissance d’une molécule nécessite une multitude de calculs et de raffinements, rendant le processus laborieux.
Ce bébé miracle conçu grâce à une révolution technologique ébranle 45 ans de fécondation in vitro
Molécules synthétiques, précision du monde réel
Nadia Harhen, directrice générale de la simulation IA chez SandboxAQ, a souligné que l’industrie s’efforce depuis longtemps de résoudre ce problème crucial en biologie. Les structures générées par ordinateur sont associées à des données expérimentales vérifiées, permettant une utilisation innovante de ces données synthétiques pour former des modèles. SandboxAQ a utilisé des puces NVIDIA pour générer ces structures synthétiques, calculées à partir de données expérimentales réelles via le modèle de co-repliement Boltz-1x. Pour chaque paire protéine-médicament issue de bases de données publiques, l’équipe a créé cinq poses 3D différentes, comparées avec des valeurs de puissance calculées pour ne conserver que les plus précises.
Renforcer la formation des modèles IA avec des données ouvertes
Les modèles d’IA tels qu’AlphaFold2, et ses successeurs comme AlphaFold3 et Boltz-2, ont fait des progrès significatifs dans la prédiction des structures 3D et des poses de liaison. Cependant, ils rencontrent encore des difficultés face à des protéines ou molécules inconnues de leur base de formation. L’amélioration de ces modèles nécessite plus de données de formation, mais la création de nouvelles données structurelles par expérimentation est coûteuse, ce que l’IA espère contrecarrer. Les entreprises pharmaceutiques possèdent des bases de données privées, rarement partagées publiquement. En générant des données structurelles synthétiques à partir de registres de puissance disponibles, le SAIR offre une solution alternative, permettant aux chercheurs de prédire non seulement la structure mais aussi la puissance sans accès aux bases de données propriétaires.
De la donnée aux candidats médicaments, virtuellement
SandboxAQ prévoit de rendre le dataset SAIR librement accessible aux chercheurs, tout en proposant un accès payant à ses modèles IA propriétaires formés sur ces données. Ces outils visent à rivaliser avec les expériences en laboratoire, prédisant rapidement les liaisons protéiques, virtuellement, et avec une précision du monde réel. Cette approche pourrait réduire considérablement le temps et le coût des essais préliminaires, ouvrant de nouvelles perspectives pour la découverte de médicaments.
Alors que l’innovation continue de bouleverser le secteur pharmaceutique, la disponibilité de ces données synthétiques pourrait-elle transformer définitivement la manière dont les médicaments sont découverts et développés ?
