Une nouvelle étude démontre le potentiel de l’apprentissage automatique pour accélérer le développement de technologies innovantes d’administration de médicaments


  • FrançaisFrançais



  • Des scientifiques de l’Université de Toronto ont testé avec succès l’utilisation de modèles d’apprentissage automatique pour guider la conception de formulations de médicaments injectables à action prolongée. Le potentiel des algorithmes d’apprentissage automatique pour accélérer la formulation de médicaments pourrait réduire le temps et les coûts associés au développement de médicaments, rendant ainsi les nouveaux médicaments prometteurs disponibles plus rapidement.

    L’étude a été publiée aujourd’hui dans Communication Nature et est l’un des premiers à appliquer des techniques d’apprentissage automatique à la conception de formulations de médicaments injectables polymères à longue durée d’action.

    La recherche multidisciplinaire est dirigée par Christine Allen du département des sciences pharmaceutiques de l’Université de Toronto et Alán Aspuru-Guzik, des départements de chimie et d’informatique. Les deux chercheurs sont également membres de l’Acceleration Consortium, une initiative mondiale qui utilise l’intelligence artificielle et l’automatisation pour accélérer la découverte de matériaux et de molécules nécessaires à un avenir durable.

    « Cette étude franchit une étape critique vers le développement de formulations de médicaments fondé sur les données, en mettant l’accent sur les injectables à longue durée d’action », a déclaré Christine Allen, professeure de sciences pharmaceutiques à la Faculté de pharmacie Leslie Dan de l’Université de Toronto. « Nous avons vu comment l’apprentissage automatique a permis des avancées incroyables dans la découverte de nouvelles molécules susceptibles de devenir des médicaments. Nous travaillons maintenant à appliquer les mêmes techniques pour nous aider à concevoir de meilleures formulations de médicaments et, en fin de compte, de meilleures médicaments. »

    Considérés comme l’une des stratégies thérapeutiques les plus prometteuses pour le traitement des maladies chroniques, les injectables à longue durée d’action (LAI) sont une classe de systèmes avancés d’administration de médicaments conçus pour libérer leur cargaison sur de longues périodes afin d’obtenir un effet thérapeutique prolongé. Cette approche peut aider les patients à mieux adhérer à leur schéma thérapeutique, à réduire les effets secondaires et à augmenter l’efficacité lorsqu’ils sont injectés à proximité du site d’action dans le corps. Cependant, l’obtention de la quantité optimale de libération de médicament sur la période de temps souhaitée nécessite le développement et la caractérisation d’un large éventail de formulations candidates par le biais d’expériences approfondies et chronophages. Cette approche par essais et erreurs a créé un goulot d’étranglement important dans le développement du LAI par rapport aux types de formulation de médicaments plus conventionnels.

    « L’IA transforme notre façon de faire de la science. Elle contribue à accélérer la découverte et l’optimisation. C’est un exemple parfait d’un moment « avant l’IA » et d’un moment « après l’IA » et montre comment l’administration de médicaments peut être affectée par cette recherche multidisciplinaire », a déclaré Alán Aspuru-Guzik, professeur de chimie et d’informatique à l’Université de Toronto, qui détient également la chaire de recherche CIFAR en intelligence artificielle au Vector Institute de Toronto.

    Pour déterminer si les outils d’apprentissage automatique pouvaient prédire avec précision le taux de libération de médicament, l’équipe de recherche a formé et évalué une série de onze modèles différents, y compris la régression linéaire multiple (MLR), la forêt aléatoire (RF), la machine à gradient de lumière (lightGBM), et les réseaux de neurones (NN). L’ensemble de données utilisé pour former le panel sélectionné de modèles d’apprentissage automatique a été construit à partir d’études précédemment publiées par les auteurs et d’autres groupes de recherche.

    « Une fois que nous avons eu l’ensemble de données, nous l’avons divisé en deux sous-ensembles : l’un utilisé pour former les modèles et l’autre pour les tests. Nous avons ensuite demandé aux modèles de prédire les résultats de l’ensemble de test et de les comparer directement avec les données expérimentales précédentes. Nous avons constaté que les modèles arborescents, et plus particulièrement lightGBM, ont fourni les prédictions les plus précises », a déclaré Pauric Bannigan, chercheur associé au groupe de recherche Allen de la faculté de pharmacie Leslie Dan de l’Université de Toronto.

    Dans une prochaine étape, l’équipe a travaillé pour appliquer ces prédictions et illustrer comment les modèles d’apprentissage automatique pourraient être utilisés pour éclairer la conception de nouveaux LAI, l’équipe a utilisé des techniques analytiques avancées pour extraire les critères de conception du modèle lightGBM. Cela a permis la conception d’une nouvelle formulation LAI pour un médicament actuellement utilisé pour traiter le cancer de l’ovaire. « Une fois que vous avez un modèle formé, vous pouvez alors travailler pour interpréter ce que la machine a appris et l’utiliser pour développer des critères de conception pour de nouveaux systèmes », a déclaré Bannigan. Une fois préparé, le taux de libération du médicament a été testé et a ensuite validé les prédictions faites par le modèle lightGBM. « Bien sûr, la formulation avait le taux de libération lent que nous recherchions. C’était important car dans le passé, il nous aurait fallu plusieurs itérations pour arriver à un profil de publication qui ressemblait à ceci, avec l’apprentissage automatique, nous y sommes arrivés en un », a-t-il dit.

    Les résultats de l’étude actuelle sont encourageants et signalent le potentiel de l’apprentissage automatique pour réduire le recours aux tests par essais et erreurs, ce qui ralentit le rythme de développement des injectables à longue durée d’action. Cependant, les auteurs de l’étude identifient que le manque d’ensembles de données open source disponibles dans les sciences pharmaceutiques représente un défi important pour les progrès futurs. « Lorsque nous avons commencé ce projet, nous avons été surpris par le manque de données rapportées dans de nombreuses études utilisant des microparticules polymères », a déclaré Allen. « Cela signifiait que les études et le travail qui y étaient consacrés ne pouvaient pas être exploités pour développer les modèles d’apprentissage automatique dont nous avons besoin pour propulser les avancées dans cet espace », a déclaré Allen. « Il y a un réel besoin de créer des bases de données robustes en sciences pharmaceutiques qui soient en libre accès et disponibles pour tous afin que nous puissions travailler ensemble pour faire avancer le domaine », a-t-elle déclaré.

    Pour promouvoir l’évolution vers les bases de données accessibles nécessaires pour soutenir l’intégration de l’apprentissage automatique dans les sciences pharmaceutiques plus largement, Allen et l’équipe de recherche ont rendu leurs ensembles de données et leur code disponibles sur la plate-forme open source Zenodo.

    « Pour cette étude, notre objectif était d’abaisser la barrière d’entrée à l’application de l’apprentissage automatique dans les sciences pharmaceutiques », a déclaré Bannigan. « Nous avons rendu nos ensembles de données entièrement disponibles afin que d’autres puissent, espérons-le, s’appuyer sur ce travail. Nous voulons que ce soit le début de quelque chose et non la fin de l’histoire de l’apprentissage automatique dans la formulation de médicaments. »

    N'oubliez pas de voter pour cet article !
    1 étoile2 étoiles3 étoiles4 étoiles5 étoiles (No Ratings Yet)
    Loading...
    mm

    La Rédaction

    L'équipe rédactionnelle

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *