Alex Zhavoronkov, PhD, est le fondateur et PDG d'Insilico Medicine, une entreprise biotechnologique de premier plan en phase clinique qui développe une intelligence artificielle générative de nouvelle génération et des plateformes automatisées pour la découverte de médicaments. Depuis 2014, il a inventé des technologies critiques dans le domaine de l'intelligence artificielle générative et de l'apprentissage par renforcement (RL) pour la génération de structures moléculaires nouvelles avec les propriétés souhaitées et la génération de données biologiques et de patients synthétiques. Sous sa direction, Insilico a levé plus de 500 millions de dollars en plusieurs tours auprès d'investisseurs experts en biotechnologie, santé et finance, a ouvert des centres de R&D dans 6 pays et régions, et s'est associé à de multiples institutions pharmaceutiques, biotechnologiques et académiques. Depuis 2021, l'entreprise a nommé plus de 20 candidats précliniques, a démarré 6 essais cliniques humains et est entrée en phase II avec une nouvelle cible découverte par IA et une nouvelle molécule conçue par IA. Depuis 2012, il a publié plus de 200 articles de recherche évalués par des pairs et 3 livres. Il siège aux conseils consultatifs ou éditoriaux de Trends in Molecular Medicine, Aging Research Reviews, Aging et Frontiers in Genetics, et a fondé et co-préside la conférence annuelle sur la recherche sur le vieillissement et la découverte de médicaments (11e édition en 2024). Il est professeur adjoint d'intelligence artificielle au Buck Institute for Research on Aging.

Il y a dix ans, c'était de la science-fiction, et maintenant nous avons des cibles découvertes par IA et des molécules conçues par IA qui progressent dans les essais cliniques.

Vous avez popularisé le terme Superintelligence Pharmaceutique (PSI). Que voulez-vous dire par là ?

Les sujets de l'intelligence artificielle générale (IAG) de niveau humain et de la superintelligence artificielle (ASI) captivent les chercheurs depuis des décennies, beaucoup plus ces dernières années, avec beaucoup de désaccords sur le moment et la possibilité de leur réalisation. « Résoudre l'IA et elle résoudra tout le reste » est une hypothèse et un objectif populaires pour ces efforts.

En appliquant cette vision aux industries de la santé et pharmaceutique, nous pouvons définir la superintelligence pharmaceutique (PSI) comme une plateforme entièrement autonome capable de découvrir et de concevoir une petite molécule ou un médicament biologique parfait, ainsi que le biomarqueur pour la sélection des patients, produisant une réponse modificatrice de la maladie ou curative significative pour toute maladie sans échec et sans besoin d'expérimentation humaine supplémentaire.

D'où vient l'idée ? Comment Insilico Medicine évolue-t-elle vers la construction de la Superintelligence Pharmaceutique ?

Quand j'ai fondé Insilico en 2014, nous travaillions sur les biomarqueurs et les horloges du vieillissement, essentiellement des moyens de mesurer l'âge biologique et le risque de maladie. Alors que l'IA a progressé, surtout les modèles génératifs, nous avons réalisé que nous pouvions nous tourner vers la découverte de médicaments elle-même. Au fil du temps, nous avons construit des modules qui résolvaient des problèmes spécifiques, comme PandaOmics pour la découverte de cibles et Chemistry42 pour la conception de molécules, puis nous avons commencé à les relier. La vision de la Superintelligence Pharmaceutique est venue de l'idée : et si ces pièces étaient entièrement intégrées, validées et capables d'apprendre continuellement les unes des autres ? C'est ainsi que vous transformerez toute l'industrie.

Insilico a fait la une des journaux pour avoir compressé les délais de développement. Pouvez-vous partager quelques jalons qui le démontrent ?

Traditionnellement, le développement de médicaments prend environ 10 ans ou plus de la cible au marché, le développement préclinique seul prenant environ 4,5 ans. Avec l'IA et la rétroaction expérimentale, nous avons montré que le développement préclinique peut être fait beaucoup plus rapidement. Par exemple, notre programme QPCTL est passé de la découverte au stade DC en seulement neuf mois et notre candidat TNIK au stade DC en 18 mois. Aujourd'hui, nous avons plus de 40 programmes, dont un pour la fibrose pulmonaire idiopathique qui a montré des résultats positifs en phase 2a. Ces jalons prouvent que l'IA n'est pas seulement théorique mais qu'elle produit des thérapeutiques tangibles.

Si la validation est le goulot d'étranglement, qu'est-ce qui débloque la prochaine phase de la PSI ?

Quatre leviers. Premièrement, des référentiels de benchmarks ouverts au niveau des programmes qui lient l'omique, la chimie et les résultats cliniques. Deuxièmement, distiller des modèles « enseignants » validés pour une tâche unique en agents multmodaux polyvalents. Troisièmement, des cascades de simulation pan-flute, des filtres bon marché d'abord et des modèles lourds en physique à la fin. Quatrièmement, l'apprentissage par renforcement communautaire à partir de retours expérimentalement vérifiés, afin que tout l'écosystème apprenne des programmes réels.

Pouvez-vous développer cette idée de « enseignant-élève » ?

Les modèles pharmaceutiques « expirent » souvent pendant que nous attendons la validation. La solution est la continuité : les modèles de tâche validés deviennent des enseignants qui génèrent des données synthétiques fiables et fournissent des garde-fous tout en formant des élèves plus capables et multmodaux. Vous pouvez préserver l'intelligence durement acquise tout en améliorant les capacités.

Parlons de la FPI. Pourquoi était-ce un moment si important pour Insilico ?

La FPI est une maladie pulmonaire dévastatrice, souvent mortelle en quelques années, et les patients ont des options très limitées. Notre programme a commencé entièrement avec l'IA : PandaOmics a identifié TNIK comme une nouvelle cible, Chemistry42 a conçu la molécule, et notre équipe l'a fait avancer en clinique. L'essai de phase 2a a montré une amélioration de +98 mL de la fonction pulmonaire par rapport au placebo et les résultats ont été publiés dans Nature Medicine. Ce n'était pas seulement un succès pour nous, mais c'était la première preuve réelle au monde que nos molécules pilotées par l'IA peuvent montrer une efficacité chez les patients.

Comment la biologie du vieillissement s'intègre-t-elle dans le programme, au-delà des maladies uniques ?

Dans le programme FPI d'Insilico, la contribution de l'IA à la biologie s'est étendue bien au-delà de la simple identification d'une nouvelle cible pour la FPI. Crucialement, elle a également révélé de nombreux biomarqueurs potentiels liés aux processus de vieillissement, qui sont vitaux pour faire avancer la recherche translationnelle et fournir des points de référence critiques pour d'autres essais cliniques.

Vous avez comparé l'industrie pharmaceutique à la conduite autonome et même aux modèles mondiaux. Pourquoi ?

La validation à grande échelle compte et la conduite autonome accumule des millions de trajets. L'industrie pharmaceutique a besoin de « voyages » analogues à travers les programmes et les essais. Alors que nous les collectons, nous pouvons construire de meilleures simulations mondiales pour les médicaments, afin que les agents apprennent à partir d'une réalité clinique richement simulée tandis que nous continuons à valider dans le monde réel.

À quel point votre prédiction que les premiers médicaments entièrement conçus par IA seront disponibles pour les patients dans les cinq à six prochaines années est-elle réaliste ?

Je serais surpris si nous ne le voyions pas dans ce délai. Nous avons déjà plus de 40 programmes internes, le programme le plus avancé ayant terminé la phase IIa avec une validation prometteuse de la sécurité et de l'efficacité. Le succès futur dépend des résultats continus des essais, de l'examen réglementaire et de la sécurité. J'espère qu'Insilico sera le premier, mais même si ce n'est pas nous, quelqu'un franchira cette ligne avant 2030. L'important est que le domaine ait atteint un point où c'est une attente réaliste.

Que devraient faire les scientifiques et les entreprises demain pour se rapprocher de la PSI ?

Comme pour d'autres systèmes d'IA, l'entraînement et la confiance viennent de la validation. De nombreux modèles qui ont été validés pour des tâches spécifiques dans la simulation, les expériences précliniques et cliniques peuvent être utilisés pour entraîner des LLM plus grands, plus capables et multmodaux. Les modèles validés peuvent générer des données synthétiques pour l'entraînement supervisé de la prochaine génération de LLM, certains modèles informatiquement efficaces étant utilisés directement dans la boucle d'apprentissage par renforcement.

Il existe plusieurs voies pour atteindre la PSI. La voie la plus probable est la convergence de modèles LLM très capables entraînés sur des données à l'échelle d'Internet avec des capacités de raisonnement significatives et des modèles plus petits, spécifiques à une tâche, multmodaux, basés sur la biologie, la chimie et la physique, basés sur des architectures avancées et relativement primitives. Cette convergence pourrait également se produire avec des LLM qui utilisent de tels modèles et outils spécialisés dans les workflows agentiques, semblable à des chimistes médicinaux utilisant des logiciels et outils traditionnels de conception de médicaments.

La clé de la PSI est la capacité d'utiliser les modèles « hérités » validés pour la création de données synthétiques, ou de les utiliser pour l'apprentissage par renforcement et l'évaluation comparative des modèles de nouvelle génération, similaire à la façon dont la connaissance et l'intelligence sont transmises de génération en génération dans la société humaine.

À l'avenir, qu'est-ce qui vous donne le plus d'optimisme concernant la Superintelligence Pharmaceutique ?

Nous voyons déjà les premiers signes de la PSI en action. Il y a dix ans, c'était de la science-fiction, et maintenant nous avons des cibles découvertes par IA et des molécules conçues par IA qui progressent dans les essais cliniques. Nous avons compressé les délais précliniques des 4,5 années traditionnelles à moins de 18 mois dans certains cas et construit des benchmarks sur plus de 22 programmes. Les données du monde réel de chaque programme nous aident à entraîner de meilleurs modèles. Cette boucle de preuves me donne confiance que nous arriverons à un point où l'IA pilotera de manière fiable la découverte de médicaments de bout en bout.

L'article Q&A avec Alex Zhavoronkov, PDG d'Insilico Medicine est apparu en premier sur citybiz.

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour citybiz (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.