Science des données et intelligence artificielle:

Débloquer de nouvelles connaissances scientifiques


Chez AstraZeneca, nous nous appuyons sur les données et la technologie pour optimiser le temps dédié à la découverte et à la délivrance de nouveaux médicaments potentiels. Actuellement, nous intégrons la science des données et l’intelligence artificielle (IA) au sein de notre R&D pour permettre à nos chercheurs de repousser les limites de la science et fournir des médicaments vitaux.


La science des données et l’IA ont le potentiel de transformer la façon dont nous découvrons et développons de nouveaux médicaments. Ce qui était science-fiction hier est devenu réalité aujourd’hui. Notre objectif est de réussir à transformer les innovations scientifiques en médicaments vitaux.

Jim Weatherall Vice-Président, Science des données et IA, R&D

Aujourd’hui, nous générons et avons accès à plus de données que jamais. En fait, plus de données ont été créées au cours des deux dernières années que dans l’histoire entière de l’humanité. Mais ces données n’auront de valeur que si nous sommes capables de les analyser, de les interpréter et de les appliquer. Au sein de notre R&D, nous utilisons l’IA pour nous aider à déchiffrer cette richesse d’informations avec comme objectif :

  • Obtenir une meilleure compréhension des maladies que nous voulons traiter
  • Identifier de nouvelles cibles pour des médicaments novateurs
  • Recruter pour des essais cliniques et mieux les concevoir
  • Conduire des stratégies de médicaments personnalisés
  • Accélérer la manière dont nous concevons, développons et fabriquons de nouveaux médicaments

Nos chercheurs, dans leur quête de nouveaux et meilleurs moyens de découvrir, tester et accélérer les médicaments potentiels de demain, utilisent l’IA pour aider à redéfinir la science médicale. Les rubriques suivantes illustrent la manière dont la science des données et l’IA commencent à faire toute la différence dans nos efforts de R&D.

 


Transformer les données en connaissances



Nous sommes déterminés à faire avancer notre compréhension fondamentale de maladies telles que le cancer, les maladies respiratoires et les maladies cardiaques, rénales et métaboliques. Car en apprenant ce qui cause ou déclenche une maladie, nous espérons trouver de nouveaux moyens de la traiter, de la prévenir voire même de la guérir.

Grâce à la science des données et à l’IA, nous découvrons de nouvelles connaissances biologiques avec l’objectif d’augmenter notre productivité de R&D. Par exemple, nous utilisons des graphiques de connaissances – réseaux de données factuelles scientifiques contextualisées telles que les gènes, protéines, maladies et composés et la relation entre elles – pour donner aux chercheurs de nouvelles connaissances et les aider à dépasser le biais cognitif.

La science des données et l’IA peuvent également nous aider à révéler les secrets d’une maladie au niveau génétique. Notre centre de recherche génomique travaille à analyser jusqu’à deux millions de génomes d’ici 2026. En plus de la capacité de modification génétique de CRISPR permettant de supprimer chaque gène du génome pour découvrir le rôle qu’il joue dans la biologie, les chercheurs d’AstraZeneca examinent notre patrimoine génétique pour nous aider à mieux comprendre les maladies.

Mais l’ampleur du génome signifie que ces expériences produisent une quantité colossale de données. La science des données et l’IA sont à l’œuvre pour nous aider à analyser et interpréter les données plus rapidement et plus précisément.






Prédire quelles molécules concevoir et comment les concevoir


Grâce à l’IA, nous avons le potentiel de transformer la chimie médicale en ajoutant à la conception traditionnelle de médicaments des méthodes informatiques sophistiquées pour prédire quelles molécules concevoir et comment les concevoir.

Garry Pairaudeau Head of Hit Discovery, Discovery Sciences, R&D




Nous explorons l’utilisation de l’IA pour nous aider à découvrir de nouveaux médicaments. Nous pensons qu’elle présente un grand potentiel d’amélioration de la qualité et de réduction du temps nécessaire à la découverte d’un potentiel candidat-médicament.

Actuellement, plusieurs années de recherche scientifique approfondie, de synthèse et de tests de milliers de molécules sont nécessaires pour obtenir les bonnes propriétés médicamenteuses.

L’IA transforme ce long processus, nous permettant de générer rapidement des idées novatrices de molécules et de mettre au point et de classer ces idées en utilisant des prédictions basées sur les grands ensembles de données dont nous disposons désormais.

Après avoir identifié des molécules prometteuses, l’étape suivante consiste à synthétiser les molécules en laboratoire. L’IA commence à venir nous aider dans cette étape aussi : la science de la prédiction de synthèse évolue rapidement et nous serons bientôt en mesure d’utiliser l’IA pour nous aider à déduire la meilleure manière de concevoir une molécule le plus rapidement possible.

Nous voyons l’IA comme un composant clé du laboratoire de chimie de demain, non seulement pour découvrir et concevoir de nouveaux médicaments, mais aussi pour contrôler l’automatisation afin d’accélérer les cycles répétés de génération, d’analyse et de test de composés de grande qualité.



Utiliser l’IA pour une analyse rapide et précise d’image



Toutes les semaines, nos pathologistes analysent des centaines d’échantillons de tissus provenant de nos études de recherche. Ils les examinent pour repérer les maladies et les biomarqueurs qui pourraient indiquer les patients les plus susceptibles de répondre à nos médicaments. Cela prend beaucoup de temps, c’est pourquoi nous entraînons des systèmes d’IA pour assister les pathologistes pour une analyse des échantillons précise et plus facile. Ces systèmes permettront potentiellement de réduire le temps d’analyse de plus de 30 %.

Pour l’un de nos systèmes d’IA, nous avons mis en place une approche inspirée de la façon dont certaines voitures autonomes comprennent leur environnement. Nous avons entraîné le système d’IA à noter les cellules tumorales et immunitaires en fonction d’un biomarqueur, le PD-L1, ce qui pourra permettre de prendre des décisions de traitements basées sur l’immunothérapie pour le cancer de la vessie.

Notre système d’IA examine des milliers d’images issues d’échantillons de tissus, en recherchant méthodiquement le PD-L1 dans chacune d’entre elles. Cela fait gagner du temps à nos pathologistes et est particulièrement utile dans les cas difficiles.




Accélérer les essais cliniques grâce à la science des données et à l’IA


Les essais cliniques randomisés (ECR) sont actuellement la méthode de choix pour les laboratoires pharmaceutiques lorsqu’il s’agit d’évaluer de nouveaux médicaments potentiels. Toutefois, des données publiées montrent qu’ils sont devenus plus chers et complexes au fil du temps.

Les avancées dans la science des données peuvent nous aider à repenser les essais cliniques en améliorant les pratiques actuelles et en trouvant de nouvelles manières de découvrir et développer de nouveaux médicaments potentiels.

Par exemple, l’adoption rapide des dossiers patients informatisés (DPI) de grande qualité représente une source de données vaste, riche et hautement pertinente qui a un fort potentiel pour améliorer la mise en place d’essais cliniques.

Une technologie de DPI fédérée débloque de nouvelles opportunités pour optimiser la recherche clinique et transformer la manière dont nous menons des essais cliniques. La technologie a le potentiel d’affiner ou de remplacer de nombreux processus d’essai clinique incluant l’identification des patients, la sélection, la conduite de l’essai et la saisie de données.

Nous employons également l’IA et les outils d’apprentissage automatique pour retirer davantage de valeur des données d’essais cliniques. Historiquement, nous avons toujours su exploiter, analyse et interpréter les données issues d’essais et rédiger des rapports de sécurité d’emploi et d’efficacité des médicaments à l’étude. Mais nous voulons optimiser la valeur des données que nous avons déjà recueillies.

La réutilisation de données peut nous aider à mieux concevoir les stratégies et programmes de développement de médicaments. Elle peut nous aider à concevoir des essais plus judicieux, à renforcer nos découvertes scientifiques et enfin, à l’avenir, à apporter à nos patients les meilleurs traitements.





Construire le bon réseau de données


Aujourd’hui, nous générons et avons accès à plus de données que jamais. Les données et l’analyse ont le potentiel de transformer notre entreprise, mais ces  données scientifiques n’ont de valeur que s’il s’agit de « FAIR » data, c’est-à-dire de données faciles à trouver, accessibles, interopérables et réutilisables.

Les entités TI et R&D d’AstraZeneca travaillent en étroite collaboration pour créer une architecture de données d’entreprise et d’intelligence artificielle de pointe. Cela nous aidera à répondre à des questions stratégiques clés et à optimiser notre capacité à exploiter les nouveaux outils et technologies que sont l’IA et l’apprentissage automatique, aujourd’hui comme demain.

Nous mobilisons également une équipe transversale de data scientists, bioinformaticiens, data engineers et experts de l’apprentissage automatique pour nous assurer que nous recueillons, organisons et utilisons les bonnes données de la meilleure manière possible.





Repousser les limites de la science grâce à notre savoir-faire en matière d’IA


Nos chercheurs d’excellence, dans leur quête de nouveaux et meilleurs moyens de découvrir, tester et accélérer les médicaments potentiels de demain,  utilisent l’IA pour aider à redéfinir la science médicale.






Collaborer pour aider à répondre à de grandes questions en matière d’IA


Nous savons que nous n’arrivons pas à la meilleure science en œuvrant chacun de notre côté, c’est pourquoi nous travaillons en collaboration et ouvrons les portes pour alimenter la découverte scientifique.



Grâce à notre collaboration avec Schrödinger, nous utilisons leur plateforme informatique avancée avec l’objectif d’accélérer la découverte de médicaments. En combinant la modélisation physique et l’apprentissage automatique, nous serons en mesure de prédire l’affinité de grandes bibliothèques de potentielles molécules de médicaments afin d’identifier les candidats avec l’affinité la plus élevée pour la synthèse et les essais biologiques.


Nous avons rejoint le Consortium MLPDS (Machine Learning in Pharmaceutical Discovery and Synthesis), un consortium universitaire/industriel avec le MIT et un grand nombre d’autres laboratoires pharmaceutiques. L’objectif du consortium est de tirer profit de l’expertise respective de ses membres pour concevoir et fournir des outils logiciels prédisant les propriétés moléculaires et les procédés de synthèse pour augmenter la vitesse et l’efficacité de la découverte de médicaments.



Nous faisons partie d’un nouveau consortium de partenaires pharmaceutiques, technologiques et universitaires appelé « MELLODDY » (Machine Learning Ledger Orchestration for Drug Discovery). Le projet vise à tirer profit de la plus grande collection mondiale de petites molécules avec une activité biochimique ou cellulaire connue pour permettre des modèles prédictifs plus précis et augmenter l’efficacité de la découverte de médicaments.




Nous collaborons avec BenevolentAI pour utiliser l’apprentissage automatique et l’IA afin de découvrir de nouveaux médicaments potentiels pour l’insuffisance rénale chronique et la fibrose pulmonaire idiopathique. En combinant notre expertise dans le domaine des maladies et des ensembles de données vastes et diversifiés avec les capacités de pointe de BenevolentAI en matière d’IA et d’apprentissage automatique, nous espérons améliorer notre compréhension de la biologie de maladies complexes et identifier plus rapidement des cibles médicamenteuses potentielles.


AI Innovation of Sweden rassemble l’industrie, les universités et le secteur public dans un partenariat unique pour accélérer la recherche appliquée et l’innovation dans le secteur de l’IA grâce à la collaboration et au partage.