Découverte de médicament
La leçon à 2.6 milliards de dollars : ce que les programmes ratés de l’industrie pharmaceutique tentent de nous apprendre.
Chaque programme de développement de médicament abandonné laisse des traces expliquant son échec. L'IA peut désormais analyser ces traces et les transformer en modèle pour la prochaine réussite. La R&D pharmaceutique génère des échecs à un rythme alarmant, qu'elle occulte souvent. Plus de 90 % des programmes de découverte n'aboutissent jamais à une demande d'autorisation d'essai clinique (IND). Environ 70 % des essais de phase II échouent.
Découverte de médicaments assistée par l'IA : pourquoi ce sont les données réglementées, et non les capacités du modèle, qui constituent le facteur limitant
Résumé (TL;DR) La découverte de médicaments assistée par l'IA transforme l'industrie pharmaceutique, mais la gouvernance des données est souvent négligée. Des données bien gérées sont essentielles à la réussite et à l'éthique de la mise en œuvre de l'IA dans le secteur de la santé. Des données non structurées et mal gérées entraînent des erreurs d'information et des inefficacités dans la découverte de médicaments. Le cadre complet pour la sécurisation de l'IA et des données de santé est disponible dans notre document « L'architecture […] ».
Contraintes architecturales et modes de défaillance dans les programmes de découverte de médicaments pilotés par l'IA
Résumé (TL;DR) Les échecs de la découverte de médicaments pilotée par l'IA sont rarement dus en premier lieu à des problèmes algorithmiques. La validité des données, les biais de mesure et les inadéquations biologiques apparaissent plus tôt. Les prédictions d'affinité de liaison ne sont pas synonymes d'effet thérapeutique. Une mauvaise interprétation de cette distinction engendre des faux positifs coûteux. Les contraintes d'interprétabilité des modèles affectent directement leur conformité réglementaire, leur reproductibilité et leur adoption par les différentes équipes. La complexité de l'infrastructure découle de l'hétérogénéité des données, et non de l'échelle.
Au-delà du stockage : construire une infrastructure de données pour la découverte de médicaments pilotée par l’IA
Le problème des silos : la fragmentation des données est le principal frein à l’adoption de l’IA dans l’industrie pharmaceutique. Même des géants du secteur comme Novartis ont publiquement reconnu l’extrême difficulté de nettoyer et de relier des données hétérogènes à l’échelle d’une organisation mondiale. Des données précieuses sont piégées dans différents formats (SQL structuré vs images de pathologie non structurées), différentes applications existantes (anciens dossiers médicaux électroniques vs. […]
Pourquoi vous n'avez pas besoin d'un budget de « grand groupe pharmaceutique » pour la découverte de médicaments quantiques
L’obstacle du coût est levé. Pendant des décennies, la modélisation moléculaire haute fidélité était un luxe réservé à l’élite des grands groupes pharmaceutiques. Le développement d’un nouveau médicament coûte près de 2 milliards de dollars, dont une part importante est consacrée aux gigantesques clusters de calcul haute performance (HPC) nécessaires à l’exécution de simulations complexes. Les petites entreprises de biotechnologie et les start-ups étaient contraintes de s’appuyer sur […]
Gestion des données par IA pour la découverte de médicaments : Accélérer la R&D avec Solix EAI Pharma
Qu’est-ce que la gestion des données par l’IA dans les sciences de la vie ? Nous vivons dans la « décennie des données ». Le domaine biomédical a connu une explosion d’informations, alimentée par la chute des coûts du séquençage de nouvelle génération (NGS), la numérisation des dossiers médicaux et l’essor des capteurs portables. Cependant, pour la plupart des entreprises pharmaceutiques, ces données représentent un défi de taille.