Lors de son événement annuel consacré à la santé, ‘The Check Up’, Google a présenté une mise à jour complète de ses divers efforts de recherche et développement dans le secteur de la santé. Parmi les annonces clés figurait l’introduction d’une nouvelle collection de modèles d’intelligence artificielle (IA) spécialement conçus pour propulser le processus de découverte de médicaments.
TxGemma : Une branche spécialisée de la famille d’IA de Google
Ces nouveaux modèles, collectivement appelés TxGemma, représentent une extension spécialisée de la famille Gemma de modèles d’IA générative (GenAI) open-source de Google. Les modèles Gemma, quant à eux, sont construits sur la base de la plateforme d’IA Gemini de pointe de Google, dont la dernière version a été dévoilée en décembre.
La boîte à outils TxGemma devrait être mise à la disposition de la communauté scientifique plus tard ce mois-ci par le biais du programme Health AI Developer Foundations de Google. Cette initiative vise à favoriser la collaboration et le développement en permettant aux chercheurs d’évaluer et d’affiner les modèles. Bien que l’étendue complète de leur applicabilité reste à voir, la version initiale soulève des questions sur leur potentiel d’adaptation commerciale.
Comprendre le langage des thérapeutiques
Le Dr Karen DeSalvo, Chief Health Officer de Google, a expliqué les capacités uniques de TxGemma. Ces modèles possèdent la capacité de comprendre à la fois le texte standard et les structures complexes de diverses entités thérapeutiques. Cela inclut les petites molécules, les produits chimiques et les protéines, qui sont des éléments constitutifs fondamentaux du développement de médicaments.
Cette double compréhension permet aux chercheurs d’interagir avec TxGemma de manière plus intuitive. Ils peuvent poser des questions qui aident à prédire les propriétés cruciales de nouvelles thérapies potentielles. Par exemple, les chercheurs peuvent utiliser TxGemma pour obtenir des informations sur les profils d’innocuité et d’efficacité des médicaments candidats, accélérant ainsi le processus de sélection initial.
Relever les défis du développement de médicaments
Le Dr DeSalvo a souligné le contexte de cette innovation, notant que ‘Le développement de médicaments thérapeutiques, du concept à l’utilisation approuvée, est un processus long et coûteux’. En mettant TxGemma à la disposition de la communauté de recherche au sens large, Google vise à explorer de nouvelles approches pour améliorer l’efficacité de cette entreprise complexe.
L’IA : une force transformatrice dans les sciences de la vie
L’émergence de l’IA a indéniablement révolutionné l’industrie des sciences de la vie. Sa capacité à traiter de vastes ensembles de données, à identifier des schémas cachés et à générer des prédictions basées sur les données a ouvert des opportunités sans précédent. L’IA est déjà activement utilisée dans diverses étapes du développement de médicaments, notamment :
- Identification des cibles médicamenteuses : Identification de molécules ou de voies spécifiques impliquées dans les processus pathologiques.
- Conception de nouveaux médicaments : Création de nouveaux composés dotés des propriétés thérapeutiques souhaitées.
- Réorientation des thérapies existantes : Découverte de nouvelles utilisations pour des médicaments déjà approuvés pour d’autres affections.
Le paysage réglementaire s’adapte à l’IA
L’adoption rapide de l’IA dans le développement de médicaments a incité les organismes de réglementation à réagir. Plus tôt cette année, la FDA a publié ses premières directives sur l’utilisation de l’IA dans les dépôts réglementaires, fournissant des éclaircissements sur la manière dont cette technologie devrait être intégrée dans les soumissions. De même, en 2024, l’EMA a publié un document de réflexion décrivant son point de vue sur l’application de l’IA tout au long du cycle de vie des médicaments. Ces développements soulignent la reconnaissance croissante du rôle de l’IA dans l’avenir de la recherche et de la réglementation pharmaceutiques.
Au-delà de TxGemma : un aperçu des initiatives de Google en matière de santé
L’événement ‘The Check Up’ a présenté une gamme d’autres avancées de Google liées à la santé :
Résultats de santé améliorés dans la recherche Google
Google a mis en évidence les améliorations apportées à la capacité de son moteur de recherche à fournir des informations de santé fiables et pertinentes aux utilisateurs. Cela comprend l’affinage des algorithmes de recherche pour donner la priorité aux sources faisant autorité et présenter les informations dans un format clair et accessible.
Fonctionnalité de dossier médical dans l’application Health Connect
Une nouvelle fonctionnalité de l’application Health Connect de Google a été introduite, permettant aux utilisateurs de stocker et de gérer en toute sécurité leurs dossiers médicaux. Cette plateforme centralisée vise à donner aux individus un plus grand contrôle sur leurs données de santé et à faciliter le partage transparent avec les prestataires de soins de santé.
‘Co-scientifique’ IA : un partenaire de recherche virtuel
S’appuyant sur son annonce de février, Google a développé davantage son concept de ‘co-scientifique’ IA. Ce collaborateur virtuel est conçu pour aider les scientifiques à générer de nouvelles hypothèses et propositions de recherche. En tirant parti du traitement du langage naturel, le co-scientifique IA peut analyser les objectifs de recherche et proposer des hypothèses vérifiables, complétées par des résumés de la littérature publiée pertinente et des approches expérimentales potentielles.
Par exemple, si les chercheurs souhaitent approfondir leur compréhension de la propagation d’un microbe pathogène, ils peuvent exprimer cet objectif en langage naturel. Le co-scientifique IA répondra alors avec des hypothèses suggérées, des articles de recherche pertinents et des plans expérimentaux possibles.
Capricorn : l’IA pour un traitement personnalisé du cancer infantile
Enfin, Google a mis en avant un outil d’IA nommé Capricorn, qui exploite les modèles Gemini pour accélérer l’identification de traitements personnalisés pour les cancers infantiles. Capricorn y parvient en intégrant des données médicales publiques avec des informations patient dépersonnalisées, permettant aux médecins d’adapter plus efficacement les stratégies de traitement à chaque patient.
Exploration approfondie des applications potentielles de TxGemma
La force principale réside dans la capacité du modèle à combler le fossé entre le texte lisible par l’homme et le monde complexe, souvent cryptique, des structures moléculaires.
Voici comment TxGemma devrait être utilisé :
Identification de la cible :
- Un chercheur pourrait saisir : ‘Identifier les cibles protéiques potentielles pour inhiber la croissance des cellules cancéreuses mutées KRAS.’
- TxGemma, s’appuyant sur de vastes bases de données de littérature scientifique et de données moléculaires, pourrait alors suggérer une liste de protéines connues pour interagir avec la protéine KRAS ou impliquées dans des voies influencées par KRAS. Il pourrait également classer ces cibles en fonction de facteurs tels que la ‘druggabilité’ (la probabilité qu’une petite molécule puisse se lier efficacement à la protéine et la moduler).
Découverte de composés principaux :
- Un chercheur pourrait saisir : ‘Trouver de petites molécules qui se lient au site actif de la protéine kinase AKT1 avec une forte affinité.’
- TxGemma pourrait passer au crible des bibliothèques virtuelles de milliards de composés, prédisant leur affinité de liaison à la protéine AKT1 en fonction de leur structure 3D. Il pourrait également filtrer ces composés en fonction de propriétés telles que la solubilité, la perméabilité et la toxicité potentielle prédites.
Études du mécanisme d’action :
- Un chercheur a un composé prometteur mais n’est pas sûr de son fonctionnement exact. Il pourrait saisir : ‘Prédire le mécanisme d’action du composé XYZ, qui montre une activité contre la maladie d’Alzheimer dans les modèles précliniques.’
- TxGemma pourrait analyser la structure du composé, la comparer à des médicaments connus et la croiser avec des données sur les changements d’expression génique et les interactions protéine-protéine pour suggérer des voies ou des cibles potentielles que le composé pourrait affecter.
Réorientation des médicaments :
- Un chercheur pourrait demander : ‘Identifier les médicaments existants qui pourraient être réorientés pour traiter la maladie génétique rare ABC.’
- TxGemma pourrait analyser la base génétique et moléculaire de la maladie ABC, puis rechercher des médicaments connus pour cibler des voies ou des protéines impliquées dans la maladie, même si ces médicaments ont été initialement développés pour une affection complètement différente.
Prédiction de la toxicité :
- Avant de passer un composé à des essais cliniques coûteux, les chercheurs doivent évaluer sa toxicité potentielle. TxGemma pourrait être utilisé pour : ‘Prédire le potentiel du composé PQR à causer des dommages au foie ou une cardiotoxicité.’
- Le modèle analyserait la structure du composé et la comparerait à des bases de données de composés toxiques connus, identifiant les signaux d’alarme potentiels.
L’avantage de l’open-source : un catalyseur d’innovation
En publiant TxGemma en tant que modèle open-source, Google favorise un environnement collaboratif et accélère le rythme de la découverte. L’impact potentiel est amplifié. Les chercheurs du monde entier peuvent contribuer au développement du modèle, affiner ses algorithmes, élargir sa base de connaissances et l’adapter à des besoins de recherche spécifiques.
L’avenir de la découverte de médicaments
L’introduction de TxGemma et d’autres outils basés sur l’IA représente une avancée significative dans la quête d’un développement de médicaments plus efficace et efficient. Bien que l’IA ne soit pas une solution miracle, elle a un immense potentiel pour augmenter l’expertise humaine, accélérer les délais de recherche et, finalement, apporter plus rapidement des thérapies vitales aux patients. L’évolution continue de l’IA dans les sciences de la vie promet un avenir où la découverte de médicaments sera davantage axée sur les données, plus précise et, en fin de compte, plus fructueuse.