La science des données dans la découverte précoce de médicaments – bien faire les choses dès le départ

La science des données dans la découverte précoce de médicaments – bien faire les choses dès le départ

Un chemin plus rapide vers une meilleure médecine

La science des données nous offre essentiellement un moyen de donner un sens à de grandes quantités de données. Les algorithmes ouvrent une nouvelle voie où la quantité de données complexes que le cerveau humain peut analyser est limitée. Dans les premières étapes de la découverte de médicaments, où les molécules sont criblées et optimisées pour affecter une cible cellulaire spécifique à l’origine de maladies, la science des données fait une différence cruciale. “La science des données nous permet de découvrir des modèles et d’identifier de nouvelles hypothèses qu’un humain ne serait pas nécessairement capable de formuler”, explique Christine Durinx, directrice générale du VIB, un institut de recherche de classe mondiale.

“La science des données nous permet de découvrir des modèles et d’identifier de nouvelles hypothèses qu’un humain ne serait pas nécessairement capable de faire.” – Christine Durinks

De plus, cela peut augmenter considérablement l’efficacité du processus de découverte de médicaments, permettant aux chercheurs de concentrer leur temps et leurs efforts sur des expériences qui peuvent être utiles. Pieter Peeters, PDG de Janssen Translational Biology confirme : « Nous utilisons la science des données dans les premières découvertes pour générer des informations translationnelles, mais aussi pour éclairer la voie à suivre optimale. Ainsi, nous pouvons fournir des traitements précis aux patients plus rapidement.”

Janssen donne le ton

Dans la découverte de médicaments traditionnels, nous examinerions des millions de composés pour leurs propriétés thérapeutiques dans un processus long et laborieux. Le projet Janssen Biosignature dirigé par Peeters est un exemple de la manière dont nous pouvons appliquer la science des données pour accélérer considérablement la procédure de sélection. “En corrélant des réponses cellulaires spécifiques obtenues par analyse microscopique avec un potentiel thérapeutique, nos algorithmes peuvent identifier des modèles et utiliser ces connaissances pour nous informer sur le potentiel de molécules non caractérisées”, a déclaré Peters.

“Nous avons formé des modèles d’intelligence artificielle sur des milliards de points de données disponibles… pour identifier les composés les plus efficaces pour le développement de médicaments.” -Hugo Ceulemans

D’autres efforts de modélisation visent à utiliser la plus grande collection au monde de molécules ayant une activité biochimique ou cellulaire connue pour faire des prédictions plus précises dans le développement de médicaments. Cette mission s’appelle MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery). Hugo Ceulemans, Chief Scientific Officer for Drug Discovery Data Science chez Janssen, est le chef de projet industriel de ce consortium public-privé européen, financé par l’IMI, impliquant dix sociétés pharmaceutiques, cinq partenaires technologiques et deux instituts universitaires. En juin 2022, MELLODDY a pris fin avec succès. “Nous avons formé des modèles d’IA sur des milliards de points de données disponibles couvrant le comportement de plus de 20 millions de petites molécules dans plus de 40 000 tests biologiques”, a déclaré Ceulemans, “dans l’intention d’identifier les composés les plus efficaces pour le développement de médicaments”. Le consortium a analysé les données de la compétition à l’aide d’un apprentissage fédéré (où seules les informations sont partagées et les données restent locales), tout en protégeant l’intégralité de la propriété intellectuelle et en respectant leur nature hautement confidentielle.

Surmonter les obstacles à venir

À mesure que la technologie progresse, de nouveaux défis surgissent inévitablement. Les experts en science des données conviennent qu’il existe des obstacles spécifiques au succès qui nécessitent un effort concerté pour être surmontés.

  1. Nous avons besoin de professionnels bilingues pour fournir une communication interprétative

À l’avenir, nous aurons de plus en plus besoin de personnes capables de combler le fossé entre les biologistes et les scientifiques des données. “Nous formons ces professionnels bilingues sur le tas”, a déclaré Peeters. “Chez Janssen, nous considérons cela comme un investissement dans l’avenir.” Cet objectif est d’ailleurs l’une des principales missions de VIB : “Nous investissons dans la formation de nos collaborateurs, leur permettant de tirer le meilleur parti de leurs informations”, confirme Durinx. En intégrant la science des données dans les programmes de formation antérieurs, il serait dans notre intérêt de préparer les futurs travailleurs bien à l’avance.

  1. Nous avons besoin de plus d’informations pour augmenter l’impact de nos résultats

Une grande quantité d’informations est nécessaire pour créer un produit approprié qui peut affecter la santé. Les informations sur les patients sont extrêmement précieuses, mais soumises à des réglementations strictes en matière de confidentialité. Les données de recherche peuvent être tout aussi utiles, mais sont soumises aux réglementations en matière de propriété intellectuelle. Des améliorations ont été apportées aux deux pour surmonter ces limitations, y compris l’apprentissage fédéré. Le partage de données, qu’il s’agisse de données de patience ou de données de recherche, est un exercice de confiance. Dans ce contexte, la transparence et l’éducation sont essentielles. “Nous devons sensibiliser au potentiel de la science des données, à la fois au sein de l’écosystème et parmi le grand public”, a déclaré Durinx.

  1. Nous avons besoin de données de meilleure qualité pour obtenir de meilleurs résultats

« Comme dit le proverbe : ordures dedans ; déchets. » – Une déclaration claire de Durinx sur l’importance de la qualité des données. « Les chercheurs ne seront pas en mesure d’explorer le plein potentiel des données à moins qu’elles ne soient d’une qualité et d’une normalisation adéquates. » Le problème de la qualité des données se manifeste principalement au niveau clinique. Les symptômes diffèrent souvent entre les différents centres médicaux décrits et les paramètres sont mesurés de différentes manières. “Il sera donc important d’avoir un esprit humain critique avec une connaissance approfondie du domaine pour guider le travail.”

Lisez un précédent article de BioVox pour découvrir ce que la Belgique doit faire pour devenir le numéro un des données de santé réelles !

  1. Nous devons unir nos forces pour atteindre le sommet

Nous avons besoin du savoir-faire pour transformer les données en informations de haute qualité. “Les percées scientifiques se produisent à la périphérie de différentes disciplines”, explique Durinx. “La science des données nécessite une approche collaborative.” Nous devons travailler ensemble à travers les domaines, les parties prenantes et les frontières. « La technologie n’est pas quelque chose que l’on possède. Des connaissances accrues sont bénéfiques pour tout le monde », confirme Peeters. Catalyser ce type de collaboration peut être assez facile. Il s’agit de créer un environnement stimulant pour le partage de connaissances et d’expériences. La création d’une plate-forme nationale d’information sur la santé pour la Belgique serait un pas important dans la bonne direction, mais d’autres mesures sont encore nécessaires de toute urgence. “Si nous voulons réaliser le plein potentiel de la science des données dans le domaine de la santé, nous devons agir maintenant et avancer ensemble de manière plus décisive”, conclut Peeters.

Leave a Reply

Your email address will not be published. Required fields are marked *