Une avancée majeure ! L’IA identifie des médicaments candidats pour plus de 17 000 maladies. Les « médicaments orphelins » pour les maladies rares ne sont-ils plus un rêve lointain ?

« Pour les patients atteints de maladies rares, l’accès aux médicaments est toujours la priorité absolue. »

Bi Jingquan, président du Centre chinois pour les échanges économiques internationaux, a déclaré cela en 2022.

Les maladies rares, comme leur nom l’indique, sont un type de maladie dont le taux d’incidence est relativement faible . En raison du petit nombre de patients, de la faible demande du marché et de la difficulté, du coût élevé et du long cycle de recherche et de développement de médicaments, la difficulté de traiter les maladies rares reste élevée, et les médicaments pour les maladies rares sont appelés « médicaments orphelins ». La grande majorité des patients atteints de maladies rares sont confrontés à des difficultés de traitement et à des pénuries de médicaments.

Selon l’Organisation mondiale de la santé (OMS), parmi les plus de 7 000 maladies rares découvertes dans le monde, moins de 10 % disposent d’options de traitement ou de médicaments approuvés, et la plupart nécessitent un traitement médicamenteux à vie. Dans ce contexte sombre, trouver des traitements efficaces pour les maladies rares est une étape clé pour atténuer les difficultés de traitement auxquelles sont confrontés les patients atteints de maladies rares.

Cette étape devrait être un « petit pas » en avant avec l’aide de l’intelligence artificielle (IA).

Récemment, une équipe de recherche de la Harvard Medical School et ses collaborateurs ont développé un modèle d’IA appelé TxGNN, qui est la première nouvelle méthode développée spécifiquement pour identifier les médicaments candidats pour les maladies rares et les affections incurables. Elle a identifié des médicaments candidats pour plus de 17 000 maladies à partir de médicaments existants, dont beaucoup n’ont pas de traitement existant. Comparé à des modèles d’IA similaires pour le réemploi de médicaments, TxGNN est en moyenne près de 50 % plus performant pour identifier les candidats médicaments et 35 % plus précis pour prédire quels médicaments auraient des contre-indications.

L’article de recherche connexe, intitulé « Un modèle de base pour la réorientation des médicaments centrée sur le clinicien », a été publié dans Nature Medicine, une filiale de Nature.

Comment l’IA peut-elle favoriser le réemploi des médicaments ?

Bien que la stratégie traditionnelle de réutilisation des médicaments puisse accélérer l’application clinique de nouveaux médicaments en utilisant les données de sécurité et d’efficacité des médicaments existants, cette méthode est souvent accidentelle et opportuniste, et il est difficile de résoudre systématiquement les problèmes de développement de médicaments pour les maladies rares.

Dans ce contexte, TxGNN a vu le jour, apportant des avancées révolutionnaires dans le réemploi des médicaments, montrant notamment un grand potentiel dans la découverte de médicaments pour les maladies rares.

TxGNN est un modèle basé sur un réseau neuronal graphique (GNN) spécifiquement destiné au réemploi de médicaments à injection zéro. Contrairement aux méthodes traditionnelles, TxGNN ne se limite pas aux relations connues entre les médicaments existants et les maladies. Au lieu de cela, il intègre les relations complexes entre les maladies et les médicaments dans un espace de représentation latente en formant un graphe de connaissances médicales (KG), permettant ainsi de prédire les médicaments thérapeutiques potentiels pour une maladie donnée. Le graphique de connaissances contient des concepts médicaux tels que 17 080 maladies, 7 957 médicaments et 27 671 protéines, fournissant une base de données riche pour la formation de TxGNN.

Figure | TxGNN est un modèle basé sur des graphiques pour le réemploi de médicaments qui peut identifier des candidats médicaments pour des maladies avec des options de traitement limitées et des données moléculaires limitées. (Source : ce document)

Dans de nombreuses expériences, TxGNN a démontré sa forte capacité prédictive. Comparé à 8 méthodes existantes, TxGNN présente des avantages significatifs dans l'environnement zero-shot. Selon les données expérimentales présentées dans l’article, TxGNN a amélioré la précision de la prédiction des indications de médicaments de 19 % et la prédiction des effets secondaires de 23,9 %.

Ces résultats démontrent que TxGNN est non seulement capable de trouver de nouvelles utilisations potentielles pour les traitements existants, mais peut également prédire avec précision les médicaments possibles lorsqu'il n'existe aucun traitement connu. Ceci est d’une grande importance pour le traitement des maladies rares, car plus de 95 % des maladies rares n’ont pas de médicaments thérapeutiques existants, et TxGNN crée la possibilité de découvrir rapidement de nouveaux médicaments pour ces maladies.

Figure | TxGNN peut prédire avec précision les indications et les contre-indications des médicaments. (Source : ce document)

En plus de ses capacités prédictives, TxGNN dispose également d'un module d'explication spécialement conçu pour aider les médecins et les chercheurs à comprendre la logique prédictive du modèle. Ce module montre les connexions potentielles entre les médicaments et les maladies via des chemins multi-sauts.

Le module d'explication indique non seulement pourquoi un médicament peut être efficace pour une maladie spécifique, mais fournit également un cheminement détaillé des connaissances médicales, permettant aux utilisateurs de retracer la base scientifique derrière la prédiction. Grâce à cette fonctionnalité, TxGNN surmonte le « problème de la boîte noire » de nombreux modèles d’IA dans les applications médicales et améliore considérablement l’interprétabilité et la fiabilité du modèle.

Figure | Développement, visualisation et évaluation de chemins explicables multi-sauts dans TxGNN Explainer. (Source : ce document)

L’équipe de recherche a vérifié l’application pratique de TxGNN dans la découverte de médicaments contre les maladies rares et a obtenu des résultats encourageants. Dans les expériences, de nombreuses prédictions de TxGNN sont très cohérentes avec l’utilisation clinique réelle de médicaments en vente libre.

Par exemple, dans une analyse des données des dossiers médicaux électroniques de 1 272 085 patients, les chercheurs ont découvert que les principaux médicaments prédits par TxGNN étaient utilisés beaucoup plus fréquemment dans ces groupes de patients que les prédictions aléatoires. L'analyse du log(OR) (ratio de cooccurrence) a montré que l'association entre l'utilisation de médicaments et les maladies rares prédites par TxGNN était 107 % plus élevée que la prédiction de médicament sous-jacente, démontrant ainsi l'efficacité du modèle dans des contextes cliniques réels.

Figure | Évaluation des résultats de prédiction de TxGNN dans un grand système médical. (Source : ce document)

Un exemple spécifique est que TxGNN a recommandé le déférasirox comme le candidat le plus prometteur pour prédire les traitements potentiels de la maladie de Wilson, une maladie rare qui provoque un métabolisme anormal du cuivre. Ce médicament a été utilisé cliniquement pour traiter les maladies de surcharge en fer, et TxGNN a démontré grâce à son module d'explication que la défériprone peut avoir un effet positif sur le traitement de la maladie de Wilson par les voies métaboliques. Cette prédiction est également cohérente avec les résultats de recherche pertinents dans la littérature médicale, démontrant la rationalité scientifique du modèle.

Dans le contexte actuel de cycles de développement de médicaments longs et coûteux, TxGNN fournit une solution systématique pour la réutilisation des médicaments existants.

À l’avenir, à mesure que cette technologie continue de s’améliorer, elle devrait devenir un moteur essentiel pour accélérer le développement de médicaments, en particulier pour rendre les médicaments accessibles aux patients atteints de maladies rares.

L'IA a un grand potentiel en médecine

Outre le domaine des maladies rares, l’IA est également largement utilisée dans d’autres domaines médicaux.

En septembre 2019, la société de découverte de médicaments par IA Insilico Medicine a développé une plateforme d'IA générative appelée GENTRL, qui a été utilisée pour concevoir de nouveaux médicaments pour traiter des maladies telles que la fibrose et le cancer. En utilisant GENTRL, les chercheurs ont découvert un puissant inhibiteur du récepteur du domaine discoïdine 1 (DDR1) en seulement 21 jours, réduisant considérablement le temps de découverte de médicaments.

En 2022, des chercheurs de l’Institut de recherche sur le cancer de Londres ont créé un prototype de test capable de prédire en 24 à 48 heures quelles combinaisons de médicaments sont susceptibles d’être efficaces pour les patients atteints de cancer. Ils utilisent l’IA pour analyser des données à grande échelle provenant d’échantillons de tumeurs afin de prédire comment les patients réagiront aux médicaments avec plus de précision que les méthodes actuelles.

En 2023, la société américaine Nuance Communications a lancé une nouvelle application logicielle à commande vocale basée sur l'IA : Dragon Ambient Experience (DAX) Express. Le programme vise à contribuer efficacement à réduire la charge administrative des cliniciens en tirant parti de la technologie de traitement du langage naturel pour faciliter la transcription en temps réel des dossiers médicaux lors des consultations des patients.

En 2024, une équipe de recherche de la Harvard Medical School et ses collaborateurs ont proposé le modèle Clinical Histopathology Imaging Evaluation Foundation (CHIEF) pour extraire les caractéristiques d'imagerie pathologique pour une évaluation systématique du cancer. Sur 15 ensembles de données couvrant 11 types de cancer, CHIEF a atteint une précision de près de 94 % dans la détection du cancer, surpassant considérablement les méthodes d'IA précédentes.

Il ne fait aucun doute que l’IA a le potentiel d’améliorer la détection des maladies rares, la réutilisation des médicaments et l’optimisation des processus cliniques, ce qui nous aidera à mieux lutter contre les maladies.

Auteur : Ruan Wenyun