Catégories
Actualité pharmacieutique

L'IA dans la découverte et le développement de médicaments: un bref commentaire

Cours Pharma

Admission Pharma

cours de pharmacie

admission pharma

à propos de l'auteur
VIKAS K. PRAJAPATI
BANSAL COLLEGE OF PHARMAC, BHOPAL (M.P.)
vikasprajapti8417@gmail.com

ABSTRAIT
Cet article traite de l'application de l'IA à la découverte et au développement de médicaments. La mise en œuvre de l'IA peut donner de meilleurs résultats que la méthode traditionnelle de développement de médicaments. La découverte d'un nouveau médicament est un processus complexe et coûteux. Il coûte environ 2,6 USD et prend en moyenne 12 ans. L'application de la technologie de l'IA dans le domaine médical est très importante dans cette ère moderne de la 4e révolution industrielle où les innovations et le développement dans le domaine médical se développent rapidement. L'utilisation de la technologie de l'IA améliorera l'efficacité des processus de découverte et de développement de médicaments. Cela réduira les coûts, le temps et les efforts. Il aidera spécialement dans le domaine de la «DÉCOUVERTE DE MÉDICAMENTS DU GÉNOME» et de «MÉDECINE DU GÉNOME». Dans les processus de découverte et de développement de médicaments, la collecte et le traitement des données sont des éléments très cruciaux. L'IA peut être utilisée pour le développement d'une base de données qui accumulera des informations liées à la maladie et se rapportera également à la cause de la maladie. L'IA dans le développement de médicaments est apparue comme une meilleure option pour les méthodes traditionnelles de développement de médicaments.

introduction
L'intelligence artificielle (IA) a récemment été développée dans un sujet tendance et brûlant dans le monde de l'industrie des soins médicaux. L'IA est la science de la fabrication de machines capables d'exécuter des tâches associées à l'intelligence humaine. L'IA peut tellement aider à l'amélioration de l'humanité. À l'heure actuelle, l'industrie des soins médicaux, en particulier l'industrie pharmaceutique, fait face à tant de difficultés. La découverte de médicaments traditionnels est un processus long, coûteux et lourd. Cela peut coûter environ 2,6 USD et peut prendre en moyenne 12 ans. Nous pouvons réduire les coûts, le temps et les difficultés en associant l'industrie des soins médicaux (en particulier l'industrie pharmaceutique) à l'intelligence artificielle. Les sociétés biopharmaceutiques s'efforcent de collaborer avec des sociétés basées sur l'IA. Les entreprises basées sur l'IA se concentrent également sur les processus de découverte et de développement de médicaments.

Les progrès récents du calcul haute performance, la disponibilité de grands ensembles de données annotées et de nouveaux cadres pour la mise en œuvre de réseaux de neurones profonds (DNN) ont entraîné une accélération sans précédent du champ. Les DNN ont dépassé la précision humaine en matière de reconnaissance d'image, de voix et de texte, de conduite autonome et de nombreuses autres tâches. L'IA a besoin d'une heure pour Need of AI

La productivité de l'industrie pharmaceutique diminue continuellement. C'est un sujet de préoccupation. Les taux d'échec dans les essais cliniques sont supérieurs à 90%. Les progrès récents de l'intelligence artificielle (y compris ses sous-domaines d'apprentissage automatique (ML) et d'apprentissage profond (DL)) peuvent aider à réduire les risques d'échec des essais cliniques et peuvent stimuler et améliorer le développement pharmaceutique et l'amélioration de la R&D pharmaceutique.

La recherche dans les années 1960 et 1970 a développé le premier programme de résolution de problèmes connu sous le nom de Dendral.

IA, APPRENTISSAGE MACHINE ET APPRENTISSAGE PROFOND
L'IA est utilisée pour imiter l'intelligence humaine pour l'accomplissement des tâches e ffi cacement, précisément et rapidement. L'IA sous ses différentes formes est aujourd'hui appliquée avec succès dans divers domaines pour des tâches difficiles, de la robotique, la traduction de la parole, l'analyse d'images et la logistique à son utilisation dans la conception de nouvelles molécules

L'IA contient également un sous-domaine appelé apprentissage automatique (ML). qui utilise des méthodes statistiques avec la capacité d'apprendre avec ou sans être explicitement programmé pour ces tâches.
L'apprentissage automatique va encore plus loin dans l'intelligence artificielle. Les algorithmes sont programmés de manière à ce que les machines puissent apprendre et améliorer toutes les données sans avoir besoin de saisir et de reprogrammer des données humaines.

ML se concentre sur le développement de programmes informatiques qui peuvent accéder aux données et les utiliser pour apprendre par eux-mêmes. Les algorithmes ML sont classés en algorithme supervisé, algorithme non supervisé, algorithme semi-supervisé et algorithme d'apprentissage par renforcement.

L'apprentissage automatique supervisé est utilisé pour prédire les événements futurs en utilisant les données apprises dans le passé. Des algorithmes non supervisés sont utilisés lorsque les données utilisées pour la formation ne sont ni étiquetées ni classées. Il peut tirer des conclusions d'une base de données pour décrire une structure cachée à partir de données non classifiées.

Les algorithmes ML semi-supervisés contiennent une petite quantité de données étiquetées et une grande quantité de données non étiquetées. L'algorithme de renforcement ML est une méthode d'apprentissage. Il interagit avec l'environnement et trouve des erreurs ou des récompenses.

Un autre sous-domaine du ML appelé apprentissage profond (DL) utilise des réseaux de neurones artificiels (RNA) qui apprennent à partir de la grande quantité de données expérimentales. C'est également un sous-domaine de l'IA qui traite les données et crée des modèles à des fins de prise de décision. Il est également connu sous le nom de réseau de neurones profonds ou d'apprentissage neuronal profond.

Le Deep Learning est la prochaine génération de machine learning qui introduit plusieurs couches d'apprentissage à partir de données massives. Les décisions d'apprentissage en profondeur et les classi fi cations de données sont affinées à chaque couche pour produire des informations précises.

DL est en train de devenir un outil puissant, il collecte des données massives et s'améliore de jour en jour. La force continue de la DL peut minimiser les échecs dans les essais cliniques et accélérer les processus de développement de médicaments, moins chers et efficaces.

Processus de développement de médicaments

DÉCOUVERTE DE MÉDICAMENT
Pour le développement de tout médicament, il faut plusieurs étapes. Trouver une cible moléculaire pour traiter une maladie est la toute première étape du développement d'un médicament. L'identification de la cible est effectuée pour trouver un gène ou une protéine qui joue un rôle important dans cette maladie particulière.
Hit and lead sont deux termes importants dans ce processus qui mène le développement de médicaments plus loin. Le premier composé qui montre une activité contre une cible biologique donnée est appelé hit. Le processus d'identification des composés dérivés du hit est appelé expansion du hit. L'identification du plomb est la prochaine étape du développement du médicament. Le plomb est également un composé chimique censé avoir la capacité de traiter la maladie.

Après avoir trouvé du plomb, les chercheurs commencent le processus d'optimisation du plomb. Il est fait pour améliorer la modification de sa structure chimique du produit chimique identifié afin que les chercheurs puissent trouver une molécule plus puissante qui puisse donner un effet thérapeutique maximum et un effet toxique minimum. Des tests expérimentaux utilisant des modèles d'efficacité animale et ADMET sont utilisés pour le processus d'optimisation du plomb. Lorsque les chercheurs découvrent un composé principal comme candidat médicament, le développement du médicament commence.

RECHERCHE PRÉCLINIQUE
Après avoir trouvé un médicament candidat, le développement de médicaments commence par une recherche préclinique pour déterminer l'efficacité et l'innocuité.
Dans la recherche préclinique, les scientifiques déterminent l'ADME, le mécanisme d'action, la meilleure dose, la voie d'administration, les effets sur le sexe, l'interaction avec d'autres médicaments, les effets secondaires, les effets sur le sexe, etc.
Des essais précliniques sont effectués sur des sujets non humains pour déterminer les paramètres ci-dessus.

RECHERCHE CLINIQUE
Une fois la recherche préclinique terminée, les chercheurs passent au développement clinique de médicaments. Il comprend des essais cliniques et des études sur des participants humains. Les essais cliniques sont utilisés pour générer des données sur l'efficacité et l'innocuité. Les essais cliniques se font en trois phases.
L'essai de phase I comprend un traitement expérimental d'un petit groupe de personnes en bonne santé pour connaître l'innocuité et l'efficacité du médicament.

L'essai de phase II utilise plus de personnes (100 à 300). Il comprend également l'étude de l'innocuité et de l'efficacité du médicament, mais dans ce domaine, les chercheurs mettent l'accent sur l'efficacité du médicament.
Essai de phase III, il recueille plus d'informations sur l'efficacité et l'innocuité. il est utilisé pour étudier l'effet du médicament sur différentes populations, dans différentes combinaisons d'autres médicaments, à différentes doses. le nombre de sujets varie de 1000 à 3000.

APPROBATION FDA
après l'achèvement des résultats des essais de phase III disponibles pour l'efficacité et la sécurité donne des résultats satisfaisants selon les normes de la FDA, la FDA l'approuve.

SURVEILLANCE POST-MARKETING
la surveillance après commercialisation est une pratique consistant à surveiller l'innocuité des médicaments après approbation, fabrication et commercialisation. Les rapports de surveillance post-commercialisation sont soumis à la base de données du système de notification des effets indésirables (FEARS) de la FDA.

APPLICATION DE L'IA DANS LE DÉVELOPPEMENT DES MÉDICAMENTS
Le développement d'un nouveau médicament est une tâche difficile. Cela est dû à une large gamme de composés chimiques présents dans l'espace chimique. On estime qu'environ 1060 molécules sont présentes dans l'univers.

L'IA peut être utilisée pour faciliter les tâches difficiles, par exemple développement de médicaments, conception de médicaments, sélection de la population pour les essais cliniques et la réaffectation des médicaments, etc.

L'IA réduit les erreurs et les biais causés par l'homme dans les méthodes classiques de développement de médicaments. L'apprentissage en profondeur a donné des résultats satisfaisants dans la recherche des effets thérapeutiques et toxicologiques de la molécule de médicament.

L'IA DANS LA RECHERCHE D'UNE CIBLE MOLÉCULAIRE
L'identification de la cible moléculaire est l'étape principale et la plus importante pour développer une nouvelle molécule médicamenteuse pour le traitement d'une maladie. L'IA a tellement d'ensembles de données liés à divers domaines et disciplines des sciences médicales comme l'information génomique, les attributs biochimiques, etc. L'identification et la validation des cibles peuvent être effectuées à l'aide de l'IA et du traitement du langage naturel (PNL). L'IA et la PNL peuvent analyser de nombreuses données de la littérature médicale concernant la génétique, la protéomique, la génomique, etc. pour identifier de nouvelles cibles.

L'IA DANS LA RECHERCHE DE LA FRAPPE
L'utilisation de l'IA pour trouver du plomb est plus facile que la méthode classique d'identification du plomb. L'IA, en association avec des scientifiques de l'espace chimique, peut trouver une molécule de médicament possible pour le traitement de la maladie. Au niveau avancé, l'apprentissage automatique aide également à générer des molécules virtuelles qui peuvent aider au traitement de la maladie et peuvent trouver des effets thérapeutiques et toxiques virtuellement. Dans les méthodes classiques, toutes ces réactions se font in vivo et in vitro et cela coûte plus cher et prend du temps. L'utilisation de l'IA en association avec l'espace chimique peut réduire les coûts et le temps de recherche de hits et de leads.

AI EN SYNTHÈSE DE COMPOSÉS DE TYPE MÉDICAMENT
Molécules obéissant à la règle de cinq de Lipinski (RO5), également appelée règle de cinq de Pfizer. La rétrosynthèse est une méthode très avancée pour la conception de médicaments. Après avoir trouvé une molécule et connaître son profil thérapeutique et toxicologique, les prochains chercheurs doivent trouver une voie de synthèse chimique optimale. C'est une tâche très difficile de trouver une voie de synthèse pour ce composé particulier. l'analyse de la rétrosynthèse recherche les réactions en arrière jusqu'à ce qu'elle trouve les molécules précurseurs simper et disponibles. Il est très difficile pour un cerveau humain de traiter le grand nombre de réactions chimiques organiques. Dans les temps modernes, il existe de nombreux systèmes informatiques de synthèse de composés organiques pour aider les chimistes organiques. La recherche d'arbres de Monte Carlo (SCTM) est également une technique très utile dans cet ordre. La recherche d'arbre de Monte Carlo effectue une recherche aléatoire sans ramification jusqu'à ce qu'elle trouve une voie de synthèse simple pour la molécule cible. Cette plateforme est beaucoup plus efficace que les plateformes traditionnelles. cette plateforme est capable de trouver une route optimale pour la synthèse de molécules cibles sans aucune étape inutile en très peu de temps. Les réseaux de neurones récursifs (RNN) ont également été utilisés avec succès pour la conception de novo. Les RNN prennent des données séquentielles en entrée. L'apprentissage par transfert a également été utilisé pour générer de nouvelles structures chimiques bioactives.

AI POUR LES ESSAIS CLINIQUES
Les chercheurs utilisent l'IA pour améliorer les essais cliniques. La sélection des patients pour un essai clinique est un processus crucial. L'IA contient de nombreuses données médicales, notamment des dossiers de santé électroniques, des appareils portables et de nombreux algorithmes avancés d'apprentissage automatique et d'apprentissage en profondeur. Il peut aider beaucoup les chercheurs dans divers processus d'essais cliniques. Une application mobile basée sur l'IA nommée AiCure a été développée pour l'essai de phase II de la schizophrénie. Il a donné une meilleure réponse par rapport à la méthode traditionnelle. L'IA peut aider dans l'IA peut économiser des milliards de dollars et beaucoup de temps.

L'IA EN PHARMACOVIGILANCE
La pharmacovigilance est une pratique de surveillance des effets des médicaments médicaux après approbation. L'IA est un outil très rentable pour la pharmacovigilance. L'IA améliore la qualité et la précision des informations en matière de pharmacovigilance (PV). L'IA peut également gérer plusieurs types de données dans différents formats. L'IA peut être utilisée pour réduire le temps et la complexité du traitement des dossiers. L'IA aide à identifier plusieurs effets indésirables (EIM). Il existe plusieurs outils de base de données, par exemple VigiBase, VigiAccess, VigiFlow, VIgiMatch etc. peuvent également aider en PV.

Conclusion
L'industrie pharmaceutique est confrontée à un défi dans les programmes de développement de médicaments. Ces défis sont l'augmentation des coûts de développement de médicaments et moins de chances de réussir à trouver de nouvelles molécules médicamenteuses. L'IA peut aider l'industrie pharmaceutique à accroître son efficacité et à réduire le coût du processus de développement de médicaments.

Les outils d'IA peuvent être utilisés dans plusieurs aspects du cycle de découverte de médicaments. Ai peut être utilisé pour trouver le profil d'effet thérapeutique et de toxicité des médicaments, pour la prédiction, la structure, la bioactivité et le mode d'action du médicament, la sélection de la population pour les essais cliniques. L'IA peut également aider dans divers autres domaines des soins de santé, par exemple radiologie, maladie, diagnostic, thérapie génique, recherche d'interactions médicamenteuses et biopharmaceutique, etc.

De nombreuses nouvelles startups se développent rapidement. Les sociétés pharmaceutiques collaborent avec des sociétés basées sur l'IA pour le développement de nouveaux médicaments.

L'intelligence artificielle se développera davantage à l'avenir, elle libérera tout son potentiel et aidera l'industrie pharmaceutique.

Références
1. Kit-Kay Mak, Mallikarjuna rao pichika (2019) L'intelligence artificielle dans le développement de médicaments: état actuel et perspectives d'avenir, découverte de médicaments aujourd'hui, vol. 24, numéro 3, pp. 773-780
2. Prashnsa Agrwal (2018) L'intelligence artificielle dans la découverte et le développement de médicaments, journal pour la pharmacovigilance
3. Euma Ishii et al. L'avènement de l'intelligence artificielle médicale: leçon d'approche japonaise, journal des soins intensifs (2020) 8:35
4. H. Chan et al. L'essor du deep learning dans la découverte de médicaments La découverte de médicaments aujourd'hui, 23 (2018) pp. 536-540.
5. P. Hamet, J. Tremblay L'intelligence artificielle dans le métabolisme des médicaments, 69 (2017) pp. 536-540
6. R.C. Mohs, N.H.Greig Découverte et développement de médicaments: rôle de la recherche biologique fondamentale, Alzheimer Dement. , 3, (2017) pp. 651-657
7.T. Katsila et al. approche computationnelle dans l'identification de cibles et la découverte de médicaments, comput. Struct. Biotechnol. J., 14 (2016) pp. 177-184
8. Segler MHS, kogej T, Tyrchan C., Waller M P, Génération de bibliothèques de molécules ciblées pour la découverte de médicaments avec des réseaux de neurones récurrents, ACS cent. Sci. 4 (1), 120-131 (2018)
9. G’omez-Bombareli R, wei JN, Duvenand D et al. CHIENS; Conception novatrice pilotée par la réaction pour les composés bioactifs ACS cent. sci. , 4 (2), 268-276 (2018)
10. Woo sung son, découverte de médicaments renforcée par l'intelligence artificielle, revue biomédicale de recherche scientifique et technique, 12 (1), 2018. BJSTR MS.ID.002189
11. H.C. Stephen Chan et al; Faire progresser la découverte de médicaments via l'intelligence artificielle, Tendances des sciences pharmacologiques, vol. 40, n ° 8, (2018)
12. Alex zhavoronkov, Intelligence artificielle pour la découverte de médicaments, le développement de biomarqueurs et la génération d'une nouvelle chimie, Molecular Pharmaceutics 2018, 15,10,4311-4313.
13. Nic Fleming, Composés calculés par ordinateur, Macmilan publishers ltd., Part of springer nature, vol. 557, S57 (2018).
14. Arun Das, Paul rad, Opportunités et défis de l'intelligence artificielle explicable (XAI): une enquête.
15. Matthew a sellwood, Intelligence artificielle dans la découverte de médicaments; Future med. Chem. (2018) 10 (17), 2025-2028.
16. Clemence Reda et coll., Machine learning applications in drug development, Computational and biotechnological journal (2020) 241-252.
17. Kotani Murali, Sukhmeet Kaur, Ajay Prakash, Vikas Medhi; Intelligence artificielle en pharmacovigilance: utilité pratique, Indian J Pharmacol. Nov-déc; 51 (6): 373-376.

MAINTENANT, VOUS POUVEZ ÉGALEMENT PUBLIER VOTRE ARTICLE EN LIGNE.

SOUMETTRE VOTRE ARTICLE / PROJET À admin@pharmatutor.org

TROUVER PLUS D'ARTICLES À NOTRE BASE DE DONNÉES


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *