Cette revue explore les applications à la pointe de la technologie de l'IA dans le développement de médicaments à petites molécules depuis 2019. Elle décrit d'abord la découverte de médicaments alimentée par l'IA, englobant l'identification des cibles, la planification de la synthèse et les étapes cliniques du développement de médicaments. Les applications incluent la découverte de biomarqueurs, le repositionnement de médicaments et la prédiction des propriétés pharmacocinétiques.
L'IA a transformé les méthodologies de découverte de médicaments, améliorant l'efficacité à travers diverses étapes. Elle facilite l'identification des cibles, le criblage virtuel, les prédictions ADMET (absorption, distribution, métabolisme, excrétion et toxicité) et l'automatisation de la synthèse. Les chercheurs exploitent des algorithmes avancés pour accélérer la découverte de nouveaux agents thérapeutiques, améliorant la précision des prédictions et réduisant les coûts.
L'identification des cibles à petites molécules est cruciale dans la découverte de médicaments. Les méthodes traditionnelles, telles que le pull-down d'affinité et le criblage de knockdown à génome entier, sont chronophages et nécessitent beaucoup de main-d'œuvre. L'IA permet l'analyse de grands ensembles de données au sein de réseaux biologiques complexes, identifiant des motifs moléculaires liés aux maladies et des cibles médicamenteuses candidates.
Des recherches récentes utilisent des techniques de PNL, comme les embeddings word2vec, pour améliorer la sensibilité de l'identification des cibles. La technologie d'apprentissage profond par graphes fusionne des structures de graphes avec l'apprentissage profond, identifiant efficacement les cibles candidates. Une étude récente a développé un cadre interprétable utilisant des graphes de réseaux multi-omiques pour prédire des gènes cancéreux.
L'intégration de données multi-omiques avec la littérature scientifique dans des graphes de connaissances permet à l'IA de discerner les relations entre gènes et voies de maladie. Les LLM biomédicaux, intégrés à des réseaux biologiques, fournissent des méthodes efficaces pour relier maladies, gènes et processus biologiques. La plateforme PandaOmics a reconnu la kinase interagissant avec TRAF2 et NCK comme une cible potentielle pour une thérapie anti-fibrotique, menant au développement d'un inhibiteur spécifique.
Les données du monde réel, telles que les dossiers médicaux et les dossiers de santé électroniques, fournissent un contexte essentiel pour comprendre les maladies complexes. Cependant, le texte non structuré et le manque de normalisation limitent leur application. Malgré les défis, des études récentes montrent que les données du monde réel bruyantes peuvent former des modèles efficaces pour la découverte de gènes.
Le criblage virtuel est crucial pour identifier des candidats médicaments potentiels. Les modèles de docking récepteur-ligand basés sur l'IA prédisent les transformations de ligand et génèrent des coordonnées atomiques. Les récentes avancées dans les réseaux de co-repliement récepteur-ligand montrent des promesses dans la prédiction de structures complexes directement à partir d'informations de séquence.
En l'absence de structures cibles, des techniques d'IA peuvent être utilisées dans des méthodes de prédiction basées sur la séquence, bien que celles-ci aient souvent du mal à capturer la complexité des interactions protéine-ligand. Le criblage virtuel basé sur le phénotype est vital pour les maladies manquant de cibles définies.
Les modèles actuels se concentrent sur des tâches spécifiques, soulignant le besoin de modèles universels capables de gérer plusieurs tâches. L'apprentissage actif et l'optimisation bayésienne sont des méthodes efficaces pour améliorer l'efficacité du criblage virtuel. L'intégration de la mécanique quantique avec l'IA offre de nouveaux outils pour l'exploration de l'espace chimique.
La conception de médicaments de novo, rendue possible par l'IA, crée de manière autonome de nouvelles structures chimiques répondant aux caractéristiques moléculaires souhaitées. Les méthodes traditionnelles reposent sur des designers experts. L'IA a automatisé l'identification de structures nouvelles, conduisant à une ère de découverte de médicaments plus efficace.
Les prédictions ADMET sont critiques pour déterminer l'efficacité et la sécurité des médicaments. L'IA prédit les propriétés ADMET en utilisant des caractéristiques prédéfinies, l'apprentissage profond conduisant désormais ces prédictions. Malgré les avancées, des défis demeurent, notamment des coûts élevés et des données étiquetées limitées.
L'interprétabilité dans les modèles d'IA est essentielle pour comprendre les relations entre les sous-structures moléculaires et les propriétés. Les mécanismes d'attention améliorent l'interprétabilité en identifiant des atomes clés. L'intégration des connaissances chimiques peut également améliorer la transparence du modèle.
La synthèse automatisée de composés organiques représente une frontière de pointe dans la chimie. Le CASP aide les chimistes à déterminer les voies de réaction. Les récentes avancées dans les techniques de synthèse automatisée alimentées par l'apprentissage profond ont amélioré l'efficacité de la découverte de médicaments.
La technologie de l'IA facilite la validation in vivo des mécanismes d'action des nouveaux médicaments. Le criblage à haute capacité, surveillant les changements en temps réel dans les données omiques, permet à l'IA de développer des modèles capables de déchiffrer les mécanismes et les propriétés des nouveaux composés.