24
«` HTML
Qu’est-ce que l’IA générative?
L’IA générative est une classe d’algorithmes d’intelligence artificielle qui peuvent créer de nouveaux contenus – texte, images, audio et, surtout pour la découverte de médicaments, les structures moléculaires. AI conventionnel comme principalement * analyse * les données existantes, l’IA générateur * crée * de nouvelles données basées sur des modèles appris à partir des données sur lesquelles il a été formé. Les techniques clés incluent des réseaux adversaires génératifs (GAN) et des autoencodeurs variationnels (VAE). Nature Fournit un aperçu étendu de ces techniques.
Comment l’IA génératrice transforme la découverte de médicaments
L’IA générative a un impact sur plusieurs étapes du pipeline de découverte de médicaments:
Identification cible
L’identification de la bonne cible biologique (une protéine ou un gène) à moduler avec un médicament est la première étape cruciale. L’IA générative peut analyser de vastes ensembles de données de données génomiques, protéomiques et cliniques pour identifier de nouvelles cibles associées aux maladies. Il peut prédire les effets du ciblage des protéines spécifiques, en aidant à hiérarchiser les avenues les plus prometteuses pour la recherche. Médicament Insilico est une entreprise de premier plan utilisant l’IA pour la découverte cible.
Encore une fois la conception moléculaire
Traditionnellement, les chimistes concevraient et synthétiseraient des molécules, les testant pour les propriétés souhaitées. L’IA générative peut concevoir des molécules entièrement nouvelles – * de novo * – avec des caractéristiques spécifiques, telles que l’affinité de liaison à une protéine cible, la sensibilisation à la médicament (quelle est la probabilité qu’une molécule soit de devenir un médicament accompli) et l’accessibilité synthétique (à quel point il est facile de fabriquer). Cela réduit considérablement la dépendance à l’égard des découvertes fortuites. Alphafold de Deepmindbien que principalement connu pour la prédiction de la structure des protéines, contribue à cela en fournissant des structures cibles précises pour la conception moléculaire basée sur l’IA.
Optimisation du plomb
Une fois qu’une molécule de «plomb» prometteuse est identifiée, elle doit être optimisée pour la puissance, la sélectivité et la sécurité. L’IA générative peut suggérer des modifications de la structure de la molécule pour améliorer ces propriétés, prédisant l’impact de chaque changement avant qu’il ne soit même synthétisé. Ce processus itératif, guidé par l’IA, accélère l’optimisation du plomb.
Prédire les propriétés du médicament
Les modèles d’IA génératifs peuvent prédire les propriétés cruciales du médicament comme l’absorption, la distribution, le métabolisme, l’excrétion et la toxicité (ADMET) – tous critiques pour déterminer si un médicament sera sûr et efficace chez l’homme. Une prédiction d’admet précise au début du processus peut empêcher des échecs coûteux plus tard. Schrödinger Offre un logiciel tirant parti de l’IA pour la prédiction ADMET.
Avantages de l’IA générative dans la découverte de médicaments
- Temps et coût réduits: L’IA peut raccourcir considérablement le calendrier de découverte de médicaments, réduisant peut-être les coûts de développement de milliards de dollars.
- Taux de réussite accrus: En priorisant les candidats prometteurs et en prédisant dès le début des problèmes potentiels, l’IA peut augmenter la probabilité de réussite des essais cliniques.
- Nouveaux candidats à la drogue: L’IA générative peut concevoir des molécules qui n’auraient jamais été conçues par des chimistes humains, ouvrant de nouvelles possibilités thérapeutiques.
- Médecine personnalisée: L’IA peut aider à adapter la conception des médicaments aux patients individuels en fonction de leur composition génétique et de leurs caractéristiques de la maladie.
Défis et limitations
Malgré sa promesse, l’IA générative dans la découverte de médicaments fait face à plusieurs défis:
- Qualité et biais de données: Les modèles d’IA sont aussi bons que les données sur lesquelles ils sont formés. Des données biaisées ou incomplètes peuvent entraîner des prédictions inexactes.
- Explicabilité: Les modèles d’IA «boîte noire» peuvent être difficiles à interpréter, ce qui rend difficile de comprendre * pourquoi * une molécule particulière a été conçue ou prédite comme efficace.
- Accessibilité synthétique: Les molécules conçues par l’IA peuvent être difficiles ou incompatibles à synthétiser dans le laboratoire.
- Validation et vérification: Les prédictions de l’IA doivent être rigoureusement validées par des tests expérimentaux.
- Obstacles réglementaires: Les organismes de réglementation élaborent toujours des directives pour l’utilisation de l’IA dans le développement de médicaments.
Perspectives futures
L’avenir de la découverte de médicaments est inextricablement lié à l’IA. Nous pouvons nous attendre à voir:
- Modèles d’IA plus sophistiqués: Les progrès continus dans les algorithmes d’IA génératifs mèneront à encore plus