L'industrie pharmaceutique est confrontée à une pression croissante pour accélérer la découverte de médicaments tout en réduisant les coûts et en améliorant les taux de réussite. Avec des méthodes traditionnelles qui se révèlent lentes et coûteuses, l'intelligence artificielle (IA) émerge comme un outil clé pour transformer le processus.
Paul Belcher, directeur de la stratégie de recherche sur les protéines chez Cytiva, note que le principal fardeau financier dans le développement de médicaments réside dans la phase clinique. En tant que tel, les efforts visant à améliorer les taux de réussite et à raccourcir les délais au cours de cette étape sont cruciaux. L'IA est considérée comme une solution prometteuse, offrant le potentiel de rationaliser les processus et d'améliorer la qualité des médicaments candidats avant même qu'ils n'entrent dans les essais cliniques.
Ce processus implique le dépistage de vastes bibliothèques d'entités moléculaires contre des cibles de maladies spécifiques, telles que des protéines, afin d'identifier les molécules qui peuvent se lier efficacement. Traditionnellement, cela se faisait par un dépistage physique, qui prend beaucoup de temps et demande beaucoup de ressources. Cependant, l'IA permet un passage à la conception prédictive, permettant aux chercheurs de générer des candidats médicamenteux à partir de zéro et de simuler leurs interactions avec des cibles de maladies avant d'investir dans une recherche et un développement approfondis.
En tirant parti de l'IA, les sociétés pharmaceutiques ne sont plus contraintes par les limitations du dépistage physique. Au lieu de cela, elles peuvent explorer une gamme plus large de possibilités moléculaires et éliminer les candidats inférieurs au début du processus, économisant ainsi temps et ressources.
Les flux de travail de dépistage traditionnels, conçus pour identifier les hits à grande échelle, ne sont pas bien équipés pour gérer la complexité des candidats modernes générés par l'IA. Ces flux de travail s'appuient souvent sur des techniques binaires ou basées sur des seuils, donnant des données de faible fidélité qui ne parviennent pas à capturer les caractéristiques nuancées des candidats médicaments avancés.
Belcher souligne que ces ensembles de données ne mettent souvent en évidence que des résultats positifs, en omettant les nombreuses expériences ratées qui sont essentielles pour la formation de modèles robustes. Ce biais de publication limite l'exactitude et la fiabilité des prédictions de l'IA, créant un goulot d'étranglement dans le développement de candidats efficaces aux médicaments.
Les progrès constants de la technologie de l'IA et l'importance croissante accordée à l'intégrité des données permettent à l'industrie pharmaceutique de faire des progrès significatifs dans sa quête d'un développement de médicaments plus efficace et plus efficace.
1 articles
MIT Technology ReviewIndépendantCentreFactualité 75Objectivité 80hierL'industrie pharmaceutique est confrontée à des coûts et des risques croissants dans la découverte de médicaments, le coût de développement de nouveaux médicaments doublant environ tous les neuf ans depuis les années 1950, une tendance connue sous le nom de loi d'Eroom. La mise sur le marché d'un nouveau médicament prend maintenant 10 à 15 ans et coûte entre 1 et 2,5 milliards de dollars, avec un taux d'échec de plus de 90%. L'intelligence artificielle (IA) est de plus en plus adoptée pour améliorer les taux de réussite et réduire les délais en permettant une identification, un test et une optimisation plus rapides des composés chimiques. Des entreprises comme Cytiva tirent parti de l'IA pour concevoir des candidats médicamenteux à partir de zéro, en prédisant leurs interactions avec des cibles de maladies avant les tests physiques.
Lecture du biais (Centre): L'article traite des avancées technologiques dans la découverte de médicaments et de leurs implications pour l'industrie pharmaceutique. Il présente des informations factuelles sur les coûts, les applications de l'IA et les pratiques de l'industrie sans prendre position ni montrer de parti pris envers aucune idéologie politique.
Pourquoi factualité (75): The article discusses AI's role in drug discovery, citing Eroom's Law and statistics on drug development costs and timelines. It references Paul Belcher and his views on AI's benefits. While these facts align with general knowledge in the field, they do not directly reference the primary source docu
Pourquoi objectivité (80): The tone remains professional and informative, discussing the benefits of AI in drug discovery without overt bias. However, it presents the perspective of industry professionals rather than offering a balanced view of both advantages and limitations of AI in this context.
★
Gardons l’information honnête.
ObjectiveNews est financé par ses lecteurs et sans publicité : nous vous montrons le biais au lieu de le cacher. Soutenez un journalisme indépendant pour 5 €/mois.
Devenir soutien
United States
