Pourquoi les AcM et pourquoi maintenant? Avec Absci

Introduction :
Bienvenue à Insights de TD Cowen. Ce balado réunit des penseurs de premier plan qui offrent leur point de vue sur ce qui façonne le monde qui nous entoure. Soyez des nôtres pour cette conversation avec les esprits les plus influents de nos secteurs mondiaux.
Brendan Smith :
Bienvenue dans ce nouvel épisode de La médecine à l’ère des machines : IA et soins de santé de TD Cowen. Aujourd’hui, nous présentons les principaux enjeux dans l’évolution récente de l’intelligence artificielle (IA) dans les soins de santé. Je suis Brendan Smith, analyste du secteur des soins de santé à TD Cowen. Aujourd’hui, je reçois Sean McClain, fondateur et chef de la direction d’Absci. C’est un plaisir de vous recevoir, Sean. Bienvenue.
Sean McClain :
Merci de m’avoir invité, Brendan.
Brendan Smith :
Pour les personnes qui découvrent notre série La médecine à l’ère des machines, nous cherchons à expliquer simplement l’utilisation de l’IA dans les soins de santé, un épisode à la fois, à mettre en lumière les idées fausses les plus répandues, et à recontextualiser chaque élément dans une vision d’ensemble.
Aujourd’hui, Sean et moi, nous examinons comment et pourquoi les anticorps monoclonaux, c’est-à-dire les médicaments biologiques, sont autant dans la mire des modèles d’IA et des fabricants de médicaments. On verra aussi ce que pourrait signifier la récente prise de position de la FDA (Food and Drug Administration) sur les anticorps conçus par l’IA et comment la plateforme et l’approche d’Absci en matière de développement de médicaments pourraient lui permettre de tirer son épingle du jeu.
Entrons dans le vif du sujet, Sean. Commençons par définir rapidement ce qu’est un anticorps monoclonal (ACM), mais aussi pourquoi ils connaissent un si grand succès en tant que traitements commercialisés, et ce qui en fait une cible de premier choix pour les modèles et les plateformes d’IA.
Sean McClain :
Oui, absolument. Un anticorps est une protéine composée d’acides aminés. Il faut un organisme vivant pour fabriquer ces protéines. Ce qui nous intéresse avec l’utilisation de l’IA pour la conception d’anticorps, c’est la question de la complexité. Si on observe une séquence d’anticorps, on constate qu’il y a plus de variantes de séquence dans un anticorps qu’il y a d’atomes dans l’univers.
Le fait d’être capable de changer de paradigme, en passant de la recherche d’une aiguille dans une botte de foin à la création de l’aiguille, qui est dans ce cas-ci un médicament biologique, c’est une évolution transformationnelle pour nous. Tout comme le fait de pouvoir perfectionner tous les attributs que l’on veut et d’atteindre l’épitope spécifique qui donne l’élément biologique recherché, ce qui nous permet ensuite d’examiner la capacité de développement et de fabrication. L’une des raisons pour lesquelles les anticorps ont autant de succès, c’est parce que ce sont essentiellement des missiles guidés.
On peut viser précisément une cellule, ou une cible. Genentech a développé les premiers anticorps mis sur le marché. L’un d’eux était le Trastuzumab, qui cible les protéines HER2. C’est assez amusant de revenir sur le discours de l’époque et sur ce qu’on pensait des anticorps. Beaucoup pensaient qu’ils ne seraient pas utiles. Il y avait beaucoup de scepticisme.
Je dirais que ça ressemble au doute entourant l’IA. Tout comme pour le succès des anticorps, nous pensons vraiment que le futur réside dans l’utilisation de l’IA pour concevoir des anticorps qui visent des cibles qu’aucun médicament n’a pu atteindre. Si nous réussissons à le faire, ça répondra à des besoins médicaux non satisfaits.
Brendan Smith :
Ça soulève beaucoup de questions importantes. J’imagine que, par rapport à d’autres modalités, quand vous élaborez des modèles d’IA pour les anticorps monoclonaux, il y a des facteurs importants à prendre en compte pour les différents types d’ACM, et peut-être même d’autres tissus ou systèmes d’organes que vous pourriez cibler?
Sean McClain :
Oui, l’un des aspects intéressants de l’utilisation de la conception générative avec les anticorps, c’est que ça ne tient pas compte des cibles. On peut viser n’importe quelle cible ou indication particulière qui a des besoins médicaux importants non satisfaits. Pour le modèle, la donnée importante, c’est la structure de la cible. On indique où on veut que l’anticorps se lie à l’épitope, puis le modèle conçoit les CDR (régions déterminant la complémentarité), qui sont en quelque sorte les doigts de l’anticorps, qui se lient à la cible qui nous intéresse. Cette plateforme est donc très intéressante, parce qu’elle est indifférente aux cibles et aux indications.
Brendan Smith :
Lorsqu’on examine des applications et modalités pour lesquelles ces modèles peuvent être utilisés, je pense qu’il y a beaucoup d’éléments qui sont moins connus, nettement sous-évalués ou mal compris, peu importe l’adjectif qu’on veut utiliser. Selon vous, qu’est-ce que les investisseurs pourraient sous-estimer ou mal comprendre sur ce qui a déjà été accompli avec ces modèles d’IA axés sur les médicaments biologiques? Ou même par rapport à d’autres approches s’appuyant sur l’IA dans les soins de santé?
Sean McClain :
D’abord, la rapidité et les coûts sont au cœur des préoccupations. Combien de temps faut-il pour mettre ces médicaments sur le marché et comment peut-on réduire les coûts globaux? Je pense que les investisseurs comprennent bien comment l’IA peut améliorer l’efficacité de ces deux paramètres. Je pense que, ce qu’ils sous-estiment peut-être, c’est la façon dont la conception générative peut réellement ouvrir la voie à de nouvelles découvertes biologiques. Qu’est-ce que je veux dire par là?
C’est le fait d’être en mesure de viser des cibles connues qui ont été difficiles à soigner avec des approches traditionnelles, comme les canaux ioniques. Ça a été très compliqué de mettre au point des anticorps qui peuvent bloquer les canaux ioniques. Notre partenariat avec Almirall nous permet de montrer que nous pourrions réellement développer un anticorps qui vise une cible connue depuis plus de 30 ans. Pour la première fois, on pourrait avoir un anticorps conçu avec notre modèle d’IA générative qui pourrait bloquer ce canal d’ions spécifique.
C’est vraiment génial! On a ainsi un produit qui est le premier de sa catégorie et moins risqué sur le plan biologique, parce que nous l’étudions depuis longtemps. On ne prend pas autant de risque, mais on a l’occasion d’avoir ce produit de premier ordre, qui permet de répondre à un important besoin médical non satisfait. On a aussi pu montrer qu’on peut s’attaquer à d’autres épitopes difficiles, comme la région « caldera » du VIH, ce qui pourrait mener à un anticorps neutralisant dans tous les variantes des souches du VIH.
Nous sommes très contents de pouvoir utiliser l’IA générative pour élaborer de nouveaux traitements et nous démarquer.
Brendan Smith :
Oui, je pense que ça touche aussi l’aspect avant-gardiste. Il ne s’agit pas seulement de peaufiner ce qui a déjà été fait. Ce n’est pas nécessairement de faire les choses un peu plus efficacement ou méticuleusement. Il s’agit d’être capable d’ajouter cette qualité prédictive à ce qui n’a pas encore été exploré. Je pense que ça rejoint le fait de se dire : « OK, où est-ce que nous allons par rapport à ce qui a déjà été fait »?
Bien sûr, les médicaments biologiques existent déjà. Cette catégorie n’est pas particulièrement nouvelle, mais si on regarde comment ces composés ont été développés et fabriqués auparavant, quelles sont les mises à jour et les différences les plus importantes permises par l’utilisation de la plateforme d’IA, peut-être au-delà des toutes nouvelles approches, selon vous? Y a-t-il quelque chose que vous signaleriez particulièrement à ce sujet?
Sean McClain :
Oui, un aspect qui me vient à l’esprit, surtout sur la fabrication, c’est le processus itératif auquel la découverte de médicaments était soumise. On finit par trouver un liant qui donne les paramètres biologiques précis qu’on cherche, mais ensuite on découvre qu’il ne peut pas être fabriqué ou développé. On fait de légers changements, mais ils pourraient modifier l’efficacité qu’on recherche. En fin de compte, ce sont des résultats sous-optimaux qui vont être commercialisés.
L’IA permet de faire cette modélisation multifactorielle, pour examiner et perfectionner divers paramètres en même temps. Le modèle peut prédire le liant, l’épitope, l’efficacité, le développement et la fabricabilité, le tout en une seule étape. Ça permet de livrer la meilleure molécule pour une commercialisation en très peu de temps.
Je crois que c’est un domaine où l’IA contribue vraiment à accélérer la découverte et à commercialiser les médicaments de la meilleure qualité.
Brendan Smith :
Oui, on a vu l’usine d’Absci juste avant le temps des fêtes, je crois que c’était en décembre dernier, et ça a vraiment aidé à avoir une bonne idée, n’est-ce pas? Je crois que certains d’entre nous, qui ne sommes pas dans le domaine, nous avons souvent de la difficulté à bien comprendre la logistique de l’évolution de ces plateformes au fil du temps, et ce que ça signifie vraiment sur le terrain au quotidien.
Je sais que vous en avez parlé un peu ici, mais avec des plateformes comme la vôtre, chez Absci, quelle est selon vous la plus grande valeur ajoutée dans le processus de développement de médicaments? Je parle sur un plan très concret : c’est la rapidité, le coût, l’efficacité, le volume? Toutes ces réponses? Pour ceux d’entre nous qui ne sont pas dans ce domaine au quotidien, quelle est la plus grande valeur ajoutée?
Sean McClain :
Oui, absolument. À mon avis, tout ce que vous venez de mentionner est très important. Par exemple, la conception de notre produit TL1A, élaboré avec notre plateforme générative, a duré un peu plus de 24 mois, de la sélection des cibles à la commercialisation. Normalement, ça aurait pris 5 ans et demi. Réduire de moitié le temps passé jusqu’à la distribution est un grand succès. En plus, on n’a investi que 15 millions de dollars pour le distribuer.
Normalement, ça coûte entre 50 et 100 millions de dollars aux grandes sociétés pharmaceutiques juste pour distribuer un médicament. Nous avons donc aussi considérablement réduit les coûts. Tout ça est important, mais j’aimerais revenir sur ce que j’ai dit plus tôt, c’est-à-dire que la plus grande valeur se trouve dans la capacité de s’attaquer à ces cibles sur lesquelles aucun médicament n’est efficace et de mettre au point de nouveaux médicaments. Pour nous, c’est un aspect très important pour être concurrentiels dans le nouveau contexte actuel.
La Chine montre vraiment qu’elle peut avoir une excellente approche pour suivre les progrès : quand une nouvelle cible est dévoilée, dix sociétés chinoises travaillent à mettre au point des molécules de grande qualité qui sont ensuite achetées par les sociétés pharmaceutiques. Comment utiliser l’IA pour être concurrentiels dans cette nouvelle dynamique en évolution qu’on observe dans les biotechnologies?
Notre stratégie consiste à nous attaquer à ces cibles difficiles pour lesquelles nos pairs, ainsi que les sociétés chinoises, peuvent avoir du mal à créer des médicaments, puis à fabriquer ces produits de premier ordre contre des problèmes connus. La première étape sur laquelle nous nous concentrons, c’est d’exécuter précisément cette stratégie.
Brendan Smith :
Je pense que tout cela nous mène logiquement à certaines questions. Selon la façon dont vous voulez utiliser ces technologies et plateformes d’IA, l’idée serait vraisemblablement de fabriquer de meilleures versions d’ACM déjà mises au point, ou d’utiliser ces capacités de l’IA générative pour créer ou trouver de toutes nouvelles cibles pour les ACM. Je suppose qu’il y a des différences dans la construction de ces modèles et différentes considérations pour certains d’entre eux.
Ma question est donc la suivante : si une entreprise se concentre exclusivement sur la création de versions améliorées de traitements existants, est-ce que cela nécessite une approche de modélisation ou un niveau différent d’IA par rapport à celles qui le font déjà, mais qui se concentrent aussi sur l’exploitation de la technologie pour découvrir et créer des cibles complètement nouvelles?
Sean McClain :
Oui, absolument. Je pense que vous parlez de trois composantes différentes. Il y a la découverte de la cible, la découverte de médicaments à partir de rien ou de novo, puis la prise en compte des ratés et des pistes, et la capacité de les optimiser. En ce qui concerne l’optimisation des pistes, je pense que c’est un domaine sur lequel beaucoup de gens se sont concentrés et qui est adopté à l’interne par les grandes sociétés pharmaceutiques, ainsi que par les entreprises de biotechnologie.
Il est beaucoup plus facile d’améliorer une molécule que de la développer à partir de zéro. Les modèles que nous utilisons de novo sont différents, tout comme les données saisies. C’est beaucoup plus difficile de donner une cible à un modèle et de lui faire prédire un liant qui peut se lier à l’épitope en question. C’est vraiment sur ça qu’on se concentre. On a des modèles qui peuvent travailler à la fois sur la conception de novo et sur l’optimisation des pistes.
La difficulté, c’est surtout sur la conception de novo. Je dirais que ce qui est encore plus difficile, et là où le domaine évolue, c’est qu’on continuera d’observer des percées, surtout dans la découverte des cibles, puisqu’on est capables d’utiliser l’IA pour prédire l’existence de nouvelles cibles auxquelles s’attaquer. Il est vraiment trop tôt pour se prononcer, et je pense qu’on a encore besoin de données pour prédire ce caractère transposable. Est-ce que la cible est réellement transposable et aura les caractéristiques biologiques qu’on cherche? Est-ce qu’on pourra répondre aux besoins médicaux non satisfaits qu’on cible?
C’est un problème beaucoup plus complexe, car c’est une question de biologie plus large qu’un problème de conception de novo et d’optimisation des pistes. Mais, on avance dans cette direction : pouvoir prédire les cibles. On n’en est pas encore là pour ce qui est de l’utilisation de l’IA, mais il y a là beaucoup d’occasions intéressantes, à mon avis.
Brendan Smith :
Oui, et en parlant de l’avenir, je m’en voudrais de ne pas parler de la FDA. On dirait que, presque tous les deux jours, on reçoit des nouvelles de la FDA sur l’IA et sa mise en œuvre, et les perspectives renouvelées de l’agence pour 2025 ont montré une plus grande ouverture à l’intégration de certaines de ces capacités. Nous savons qu’elle cherche à éliminer progressivement les exigences relatives aux tests sur les animaux pour les anticorps monoclonaux en particulier.
C’est ce qu’elle a annoncé il y a quelques mois dans un communiqué de presse. Elle pourrait également inclure d’autres modalités thérapeutiques qui restent à divulguer en remplacement de ce qu’elle appelle actuellement les « nouvelles méthodologies d’approche ». Laissez-moi d’abord vous poser cette question : selon vous, dans quelle mesure cette nouvelle politique et ces nouvelles directives de l’agence pourraient-elles être transformatrices pour les fabricants de médicaments? Et aussi : qu’est-ce que cela signifie réellement pour les sociétés qui découvrent des médicaments comme Absci?
Sean McClain :
Nous trouvons ça encourageant de voir l’administration mettre l’accent sur l’IA dans le processus de réglementation et sur la façon dont nous pouvons l’utiliser pour simplifier le processus global de développement des médicaments. Nous voulons que ça continue, et les directives actuelles sont ambitieuses à certains égards. Par contre, il n’est pas encore possible d’éliminer les modèles animaux et de prévoir l’efficacité et l’applicabilité des médicaments.
Nous aurons encore besoin de générer de nouvelles sources de données pour aider à cette applicabilité afin de pouvoir vraiment prédire l’efficacité. En ce qui concerne la sécurité, la fabricabilité et la développabilité, je pense qu’à bien des égards, nous y sommes, ou presque. Je pense aux modèles que nous avons construits, comme notre modèle naturaliste, qui permet de prévoir la fabricabilité, la développabilité et l’immunogénicité. Nous avons pu exploiter ces modèles pour montrer quelles séquences sont susceptibles de présenter des problèmes dans ces divers aspects, et c’est une information que l’on peut utiliser immédiatement.
Je pense que ça va prendre encore quelques années avant qu’on soit à pleine efficacité en ce sens. Nous avons besoin de nouvelles sources de données et de nouvelles architectures de modèles pour y arriver, mais, dans l’ensemble, c’est très encourageant de voir l’orientation que prend cette administration.
Brendan Smith :
Oui, et surtout, comme c’est souvent le cas au niveau fédéral, le progrès est assez lent et prend des années, mais c’est aussi le cas dans le domaine scientifique. Pour revenir à ce que vous disiez, on semble bien se diriger dans cette direction. Je crois que, dans beaucoup de nos conversations, les gens ont l’air de s’attendre à ce que d’ici cinq ans environ, on commence à voir une approche hybride, peut-être avec moins d’essais sur les animaux, mais pas zéro.
J’ai travaillé dans un laboratoire animal pendant plus de 10 ans. Ce n’est pas le travail le plus plaisant. Je pense qu’il serait difficile de trouver beaucoup de gens qui en veulent plus, mais il faut du temps pour trouver cet équilibre hybride à court terme, jusqu’à ce que nous soyons en mesure de nous en passer complètement. Bref. On a vu beaucoup de choses aujourd’hui. Je suis sûr que nous continuerons cette conversation dans un avenir prévisible.
Avant de vous laisser partir, j’aime poser une question à mes invités à ce moment-ci : si tout ce dont on a parlé aujourd’hui passe largement au-dessus de la tête d’une personne de notre auditoire, mais qu’elle nous a écoutés jusqu’ici, qu’est-ce que vous aimeriez surtout qu’elle retienne de notre conversation d’aujourd’hui?
Sean McClain :
Oui, absolument. Je dirais que l’IA est là pour de bon. Nous n’en sommes qu’à ses débuts. Du côté de la conception, on peut commencer à l’exploiter pour s’attaquer aux problèmes difficiles qui persistent, pour pouvoir répondre aux besoins médicaux non satisfaits, et réellement créer de nouveaux traitements intéressants de premier ordre pour les patients.
Elle continuera de transformer le secteur et permettra d’en arriver à un point où nous aurons une médecine personnalisée. Pour un patient donné, on pourra prévoir la cible pour lutter contre sa maladie et utiliser des modèles, comme notre modèle de conception générative, pour concevoir un anticorps pour cette cible, et tout ça en l’adaptant à ce patient.
On n’en est pas encore là, mais on commence à marquer des points. Je crois que l’IA est l’une des technologies les plus transformatrices de l’histoire de la médecine, de la découverte et de la fabrication de médicaments. Ça sera vraiment passionnant de voir ce qui se passera au cours des 5 à 10 prochaines années.
Brendan Smith :
Oui, en fait, je pense que, dans un épisode précédent de ce balado, Najat Khan de Recursion a utilisé cette expression : les signes précurseurs de réussite. À mon avis, c’est une excellente façon de penser à l’étape où nous sommes à l’heure actuelle. De toute évidence, on commence à voir des choses se concrétiser, ce qui est au moins très encourageant.
Sur ce, je vous remercie d’être venu et d’avoir discuté de tous ces cas d’utilisation de l’IA et des médicaments biologiques. Je suis sûr qu’on en aura beaucoup plus à dire dans très, très peu de temps. C’est toujours un plaisir de discuter avec vous, Sean. C’est un plaisir pour moi aussi.
Sean McClain :
Oui, absolument. Merci beaucoup.
Introduction :
Merci d’avoir été parmi nous aujourd’hui. Ne manquez pas le prochain épisode du balado Insights de TD Cowen :