22 mai 2026
La recherche de traitements contre les maladies cérébrales dévastatrices telles que la maladie du motoneurone s’est accélérée de manière exponentielle. Les chercheurs déploient des systèmes d’IA capables d’analyser des milliers de médicaments existants pour identifier des candidats pour les maladies cérébrales en quelques années au lieu de décennies, selon de nouvelles conclusions de BBC News. Cette avancée repose sur le repositionnement thérapeutique – en utilisant l’apprentissage automatique pour repérer des médicaments abordables et déjà homologués, cachés à la vue de tous mais pourraient traiter des maladies neurodégénératives. Il s’agit d’une approche fondamentalement différente de la conception de molécules à partir de zéro et, elle pourrait permettre d’offrir des traitements à des patients pour lesquels le temps presse désespérément.
L’industrie pharmaceutique est confrontée à un problème de calendrier impitoyable. Le développement d’un nouveau médicament à partir de zéro prend généralement de 10 à 15 ans et coûte plus de 2,6 milliards de dollars. Pour les patients atteints de maladies cérébrales à évolution rapide comme la maladie du motoneurone, ce délai est une condamnation à mort. Mais l’IA est en train de réécrire entièrement ces règles.
Les chercheurs déploient désormais des systèmes d’apprentissage automatique capables d’analyser des milliers de médicaments existants et déjà approuvés afin d’identifier des candidats qui pourraient être efficaces contre des pathologies totalement différentes. Le processus qui nécessitait autrefois des décennies de travail en laboratoire et d’essais cliniques peut désormais être mené à bien en quelques années, ce qui modifie en profondeur les enjeux économiques et la rapidité de la découverte de médicaments destinés au traitement des maladies du cerveau.
Cette approche, appelée « repositionnement de médicament », n’est pas tout à fait nouvelle. Les scientifiques ont déjà découvert par hasard des utilisations inattendues de médicaments existants – pensez à l’aspirine pour les maladies cardiaques ou au Viagra pour les troubles de l’érection. Mais ces découvertes étaient en grande partie accidentelles. Ce qui est différent maintenant, c’est que l’IA peut passer systématiquement au crible d’énormes ensembles de données de structures moléculaires, de voies biologiques et les données cliniques afin de prédire quels médicaments pourraient trouver des applications en neurosciences.
Pour des maladies comme la SLA — également connue sous le nom de SLA ou maladie de Lou Gehrig —, l’urgence est existentielle. La plupart des patients ne survivent que trois à cinq ans après le diagnostic. Il n’existe aucun remède et, les traitements actuels ne font que ralentir modestement la progression de la maladie. Celle-ci détruit les motoneurones, paralysant progressivement les patients jusqu’à ce qu’ils ne puissent plus marcher, parler, ni à terme, respirer. Chaque année de retard dans la mise au point de traitements entraîne des milliers de décès supplémentaires.
C’est là que l’avantage de l’IA en termes de rapidité devient déterminant. La découverte traditionnelle de médicaments exige des chercheurs qu’ils comprennent les mécanismes biologiques précis d’une maladie, qu’ils conçoivent des molécules ciblant ces mécanismes, qu’ils les testent sur des cellules, puis sur des animaux, et enfin sur des humains. C’est méthodique, mais terriblement lent. L’apprentissage automatique peut inverser ce processus : en partant des résultats et en travaillant à rebours pour identifier les médicaments qui produisent les effets souhaités, même si les scientifiques ne comprennent pas entièrement pourquoi.
Les systèmes fonctionnent en s’entraînant sur d’énormes ensembles de données : dossiers de santé électroniques, bases de données génomiques, structures de protéines, bibliothèques de produits chimiques. Ils apprennent des schémas que les humains ne pourraient jamais déceler: des corrélations subtiles entre la structure moléculaire d’un médicament et ses effets sur les voies neuronales, ou des chevauchements inattendus entre des maladies apparemment sans rapport. Lorsqu’ils sont appliqués aux infections cérébrales, ces modèles peuvent générer des listes classées de médicaments existants les plus susceptibles d’avoir des effets thérapeutiques.
Les implications en termes de coût sont considérables. Les médicaments repositionnés ont déjà passé avec succès les essais d’innocuité, ce qui réduit à la fois le temps de développement et les coûts. Ils ne sont souvent hors brevet, ce qui signifie que les traitements pourraient être abordables, au lieu d’être facturés à des centaines de milliers par an. Pour les systèmes de santé du monde entier, cela fait toute la différence entre un traitement théoriquement disponible et un traitement réellement accessible aux patients qui en ont besoin.
Mais l’approche n’est pas sans défis. Ce n’est pas parce que l’IA prédit qu’un médicament pourrait fonctionner, cela ne signifie pas qu’il le fera – des essais cliniques restent toujours nécessaires pour en prouver l’efficacité. Et les maladies cérébrales sont notoirement difficiles car les médicaments doivent traverser la barrière hémato-encéphalique, un mécanisme de défense biologique qui empêche la plupart des médicaments d’atteindre le tissu neural. Néanmoins, même un taux de succès modeste représenterait un bond en avant considérable par rapport au processus actuel, souvent aléatoire.
La tendance générale ici, c’est le passage de l’IA de l’expérimental à l’indispensable dans la recherche pharmaceutique. AlphaFold, développé par Google, a déjà révolutionné la prédiction de la structure des protéines. Microsoft s’associe à des laboratoires pharmaceutiques pour optimiser les essais cliniques grâce à l’IA. Et des start-ups lèvent des centaines de millions pour appliquer l’apprentissage automatique à tout, de la conception d’anticorps à la correspondance des patients. Le repositionnement thérapeutique des médicaments pour traiter les maladies cérébrales constitue la dernière frontière en date et, potentiellement l’une des plus marquantes.
Pour les milliers de patients diagnostiqués chaque année avec une SLA et des maladies similaires, le passage d’un délai de plusieurs décennies à quelques années n’est pas seulement une question de science plus rapide. Il s’agit de savoir si les traitements arriveront à temps pour faire la différence. C’est cette promesse qui pousse les chercheurs à repenser la découverte de médicaments à partir des principes fondamentaux, avec l’IA comme accélérateur qui rend l’impossible simplement difficile.
La convergence entre l’IA et les neurosciences ne se limite pas à une accélération de la découverte de médicaments – elle la rend fondamentalement différente. En explorant les médicaments existants plutôt qu’en concevant de nouvelles molécules à partir de zéro, les chercheurs peuvent réduire des délais qui s’étendaient autrefois sur des décennies à des périodes mesurées en années. Pour les patients confrontés à des maladies neurodégénératives où chaque mois compte, cette accélération pourrait faire la différence entre un traitement qui arrive trop tard et un autre qui arrive à temps. La question n’est plus de savoir si l’IA transformera la recherche pharmaceutique, mais à quelle vitesse ces transformations pourront atteindre les patients qui en ont le plus besoin.
Traduction: Viviane
Source: The Tech Buzz