« Premiers pas dans le développement de médicaments par l'IA » est un ouvrage d'introduction qui explique comment l'intelligence artificielle change le paradigme des industries pharmaceutiques et biotechnologiques.
Traditionnellement, le développement de nouveaux médicaments prend plus de dix ans, engendre des coûts considérables et connaît de nombreux échecs. Cependant, l'intelligence artificielle (IA) suscite un intérêt croissant en tant qu'outil novateur capable d'analyser d'énormes quantités de données pour découvrir des substances candidates, prédire les structures protéiques et les mécanismes d'action des médicaments, et améliorer les taux de réussite clinique.
Ce livre aborde les concepts fondamentaux du développement de nouveaux médicaments, les interactions entre les protéines, les maladies et les médicaments, ainsi que le processus de découverte, d'optimisation et d'essais cliniques des médicaments.
Il établit également des liens entre les principes de l'apprentissage profond et les structures de réseaux neuronaux telles que CNN, RNN et GNN, et même la conception de nouveaux médicaments à l'aide de l'IA générative, aidant ainsi les lecteurs à comprendre le flux global en trois dimensions.
Ce livre sert de guide couvrant à la fois les principes fondamentaux et les applications pratiques pour les étudiants, les chercheurs et les professionnels de l'industrie, et constitue un point de départ pour l'innovation pharmaceutique et biotechnologique basée sur l'IA.

J'espère que grâce à ce livre, les lecteurs atteindront deux objectifs clés.
Il s'agit tout d'abord de comprendre le processus de développement de nouveaux médicaments, et ensuite, d'expérimenter le potentiel de l'intelligence artificielle pour révolutionner ce développement.
[...] Dans la partie centrale (chapitres 4 et 5), nous explorons sérieusement comment appliquer les modèles d'IA aux nouveaux problèmes de développement de médicaments.
Apprenez à gérer différents types de données, des SMILES représentant des structures moléculaires aux structures 3D, à l'aide de modèles d'apprentissage profond représentatifs.
Vous apprendrez ainsi les principes et la pratique de « l'exploration virtuelle », qui permet de prédire les propriétés des médicaments et de trouver efficacement des substances efficaces dans de vastes bases de données.

Dans la dernière partie (chapitres 6 et 7), nous abordons la « conception de médicaments basée sur un modèle génératif », qui peut être considérée comme le summum du développement de médicaments par IA.
Vous acquerrez une expérience de pointe dans ce domaine en apprenant à concevoir de nouvelles molécules à l'aide de modèles génératifs relativement simples et à les optimiser pour obtenir les propriétés souhaitées.
Enfin, nous présentons notre vision d'un laboratoire autonome qui accélérera encore le développement de nouveaux médicaments en automatisant le cycle dit de conception-synthèse-test-analyse grâce à la combinaison de l'IA et de la robotique.
--- Extrait de la « Préface »

La loi d'Eroom est un concept qui explique le phénomène selon lequel, malgré les progrès scientifiques et technologiques, l'efficacité du développement de nouveaux médicaments diminue continuellement.
Ce terme est dérivé de la loi de Moore épelée à l'envers, et fait référence au fait que, contrairement à la prédiction selon laquelle la puissance de traitement doublerait avec les progrès technologiques, le nombre de nouveaux médicaments approuvés par milliard de dollars investis dans le développement de médicaments diminue de moitié environ tous les neuf ans.

L'une des raisons de cette baisse d'efficacité est le durcissement drastique de la réglementation des médicaments suite à l'incident de la thalidomide dans les années 1960.
L'incident concernait une femme enceinte ayant pris un sédatif, ce qui a entraîné une malformation fœtale. Depuis, les organismes de réglementation, dont la FDA, exigent des preuves cliniques approfondies et une vérification de l'innocuité lors du processus d'approbation des médicaments.
Cela a rendu le développement de nouveaux médicaments plus long et plus coûteux.
--- « Chapitre 1.
Extrait de « Concepts fondamentaux du développement de nouveaux médicaments »

Dans le domaine de la découverte de médicaments par l'IA, les modèles d'apprentissage profond sont couramment utilisés pour analyser et prédire diverses données biologiques, telles que la prédiction des cibles médicamenteuses, la prédiction de l'activité du médicament et la prédiction de la toxicité.
Ces tâches prédictives impliquent des relations complexes et non linéaires et nécessitent la modélisation de la relation entre les propriétés chimiques d'un médicament et les réponses biologiques qui en résultent.
[...] Accroître la profondeur des réseaux neuronaux dans les problèmes de grande dimension, tels que la découverte de médicaments par l'IA, est essentiel pour modéliser les interactions biologiques et chimiques complexes.
Les réseaux neuronaux profonds peuvent prédire avec plus de précision les relations complexes entre les médicaments et les cibles biologiques, augmentant ainsi considérablement la probabilité de découverte de médicaments fructueux.
--- « Chapitre 2.
Extrait de « Introduction à l'apprentissage profond »

La régularisation désigne une contrainte ou une technique auxiliaire ajoutée à un algorithme d'apprentissage afin de réduire l'erreur de généralisation du modèle.
Lorsqu'un modèle surapprend ses données d'entraînement, la régularisation peut améliorer ses performances de généralisation et renforcer son pouvoir prédictif sur de nouvelles données.
La régularisation vise à réduire l'erreur de généralisation sans augmenter significativement l'erreur d'entraînement.
--- « Chapitre 3.
Parmi les « méthodes de régularisation »

Pour comprendre la structure et les principes des modèles d'application d'apprentissage profond (CNN, RNN, etc.) utilisés dans le développement de nouveaux médicaments, nous devons d'abord comprendre comment les structures moléculaires sont exprimées sous une forme que les ordinateurs peuvent traiter.
En conséquence, ce chapitre aborde d'abord les représentations moléculaires avant de discuter du modèle proprement dit.

Une part importante des nouveaux médicaments modernes est composée de « petites molécules », qui constituent les substances de base dotées d'une activité pharmacologique et occupent une place centrale dans le développement de nouveaux médicaments.
Les composés à petites molécules ont généralement des structures relativement simples avec un poids moléculaire de 500 Da ou moins, et présentent des effets thérapeutiques en se liant sélectivement à des cibles biologiques spécifiques (par exemple, des protéines, des enzymes, etc.).
--- « Chapitre 4.
Extrait de « Modèles d'apprentissage profond 1 »

L'objectif principal de ce chapitre est d'explorer le rôle des réseaux neuronaux graphiques et du biais inductif dans l'amélioration de l'efficacité des modèles d'apprentissage profond.
Ces deux sujets sont essentiels pour concevoir des modèles capables d'analyser efficacement des structures de données complexes, améliorant ainsi la vitesse et la précision de l'apprentissage.
Dans ce cours, vous comprendrez comment les modèles d'apprentissage profond reconnaissent les relations et les schémas dans les données, pour chaque sujet.
Cela vous permettra d'acquérir les connaissances fondamentales nécessaires pour résoudre des tâches complexes telles que la prédiction de la structure moléculaire.
--- « Chapitre 5.
Extrait de « Modèles d'apprentissage profond 2 »

Les réseaux antagonistes génératifs (GAN) sont un outil puissant pour la conception de nouvelles molécules en pharmacologie, capables de générer des structures moléculaires inédites, absentes des données existantes. Les GAN sont des modèles génératifs qui utilisent deux réseaux de neurones en compétition pour générer des données. Au lieu d'estimer explicitement la fonction de densité de probabilité des données, les GAN les modélisent implicitement à l'aide de réseaux de neurones.
Les deux principaux composants sont le générateur (G) et le discriminateur (D), qui apprennent en se faisant concurrence.
--- « Chapitre 6.
Extrait de « L’intelligence artificielle générative pour la conception de médicaments »

Pour que le développement de médicaments basé sur l'IA soit véritablement couronné de succès, il est indispensable de combiner de manière organique des modèles prédictifs très précis, des données expérimentales de haute qualité et un environnement de recherche axé sur la validation.
Pour que l'IA puisse soutenir pleinement le processus de développement de nouveaux médicaments à l'avenir, il est essentiel non seulement d'obtenir une précision technologique, mais aussi d'intégrer les interprétations biologiques et cliniques. La mise en place d'une structure de collaboration efficace entre l'IA et les humains permettra d'améliorer considérablement la productivité et le taux de réussite du développement de nouveaux médicaments.
À l'avenir, les technologies mentionnées ci-dessus devraient converger et révolutionner l'ensemble du processus de développement de nouveaux médicaments.
Cela se traduira par des résultats concrets, tels que l'augmentation du taux de réussite du développement de traitements pour les maladies incurables et la réduction du délai de développement.

--- « Chapitre 7.
Extrait de « Perspectives d’avenir »