Blog de l'IDBSDécouverte accélérée de médicaments. Femme testant des échantillons. Fond numérique.

IDBS Blog | 31 janvier 2024

Trois conseils pour accélérer la découverte et le développement de médicaments

Découverte accélérée de médicaments. Femme testant des échantillons. Fond numérique.

Par Daniel Tabas, scientifique de données senior, IDBS

On peut se demander comment un secteur qui a investi près de $58 milliards dans la technologie en 20221 pour découvrir de nouvelles thérapies continue de permettre aux laboratoires pharmaceutiques de s'appuyer fortement sur des processus manuels et obsolètes, ainsi que sur des données cloisonnées et non organisées, pour faire progresser ces thérapies vers le développement et la commercialisation.

Des chercheurs avisés commencent à exploiter le potentiel des apprentissage automatique (ML), l'intelligence artificielle (IA), jumeaux numériques et d'autres analyses avancées en rendant les données plus accessibles tout au long du cycle de vie des médicaments et en accélérant la découverte et le développement de médicaments.2 Mais la qualité de ces systèmes dépendra des données sur lesquelles ils s'appuieront. Selon McKinsey & Company, une meilleure prise de décision pourrait permettre de commercialiser les médicaments 500 jours plus vite et 25% moins cher.3

La rapidité avec laquelle les thérapies COVID-19 ont été mises sur le marché a montré à l'industrie pharmaceutique qu'il était possible de raccourcir les délais de développement. La vitesse de développement est un nouveau terme utilisé pour définir la vitesse à laquelle une thérapie passe de la découverte au développement et à la commercialisation.1 Selon McKinsey, "la période qui s'écoule entre la désignation d'un candidat et la mise au point d'un nouveau médicament expérimental offre une occasion unique d'accélérer le développement d'un médicament"3 et que ce calendrier accéléré peut être atteint grâce à la technologie numérique et à l'analyse avancée.1,3

Dans une édition récente de Responsable de laboratoire,2 Alberto Pascual, PhD, directeur de la science des données et de l'analyse à l'IDBS, suggère qu'un système d'analyse numérique peut contribuer à accélérer la découverte, et propose aux responsables de laboratoires de prendre en compte les trois facteurs suivants lorsqu'ils prennent la décision de créer un laboratoire de recherche. transformation numérique vers l'accélération de la découverte et du développement de médicaments.

1. Soyez honnête au sujet de vos données pour maximiser l'accélération de la découverte de médicaments

Avant de commencer à envisager la technologie numérique, il est important de vraiment comprendre à quoi ressemblent vos données, comment elles sont gérées et si elles peuvent être contextualisées. M. Pascual cite le cas d'un CDMO de premier plan qui consacre plus de 95% de son temps à nettoyer les données, un processus nécessaire avant que ces données puissent être exploitées, analysées et utilisées de manière significative. Cet exercice de nettoyage des données peut souvent être attribué au manque de normalisation des systèmes papier et ralentit le chemin vers la compréhension et la découverte. Cependant, même les laboratoires qui ont entamé leur transformation numérique peuvent constater que leurs données ne sont pas aussi propres qu'ils le pensent. En fait, une architecture de données peut manquer du contexte nécessaire à une prise de décision réussie ou au respect des exigences réglementaires.

Il recommande aux responsables de laboratoires de déployer le Boîte à outils F.A.I.R.4 pour évaluer la qualité des données et exploiter les actifs. Alors que l'industrie des sciences de la vie poursuit sa transformation numérique, F.A.I.R. vise à garantir que les données sont trouvables, accessibles, interopérables et réutilisables. Une gestion et une collaboration plus efficaces des données, en particulier celles qui se trouvent dans les archives, peuvent favoriser le développement et accélérer la découverte de médicaments et l'innovation.5

Pour un laboratoire, cela pourrait se traduire par la connexion des instruments, la normalisation des données et le stockage centralisé de ces données tout au long du cycle de vie d'un médicament.2 Un CDMO explique à M. Pascual que, dans les premières phases de la découverte, les échanges de données sur une molécule de médicament peuvent être simples, mais que lorsque le médicament passe au stade de l'IND, les données recueillies sont très nombreuses et créent un dossier complet d'informations à présenter aux agences de réglementation. C'est là qu'un réseau numérique, tel que IDBS Polar,6 peut gérer en toute sécurité la progression d'un médicament tout au long de son cycle de développement, en collectant, structurant et organisant les données de tous les processus et activités opérationnelles afin d'accélérer la compréhension du produit et du processus. La plateforme IDBS Polar facilite l'exécution précise des processus et capture les données relatives aux équipements et aux instruments, ce qui permet d'obtenir une base de données curatives centrées sur les processus.

2. Laisser les scientifiques prendre l'initiative de la transformation numérique

Les dépenses mondiales consacrées à la transformation numérique dans l'industrie pharmaceutique devraient atteindre $4,5 milliards d'ici 2030.7 Les investissements des grandes entreprises pharmaceutiques dans l'analyse des données devraient atteindre $1,2 milliard d'ici à 2030, en raison de la promesse d'un gain de temps de 50% pour les tests et d'une amélioration de 20% pour la vitesse de développement.8 Malgré la possibilité d'accélérer la découverte de médicaments, les scientifiques de laboratoire restent sceptiques, car la technologie a plus souvent profité à des parties prenantes extérieures au laboratoire qu'au laboratoire lui-même, explique M. Pascual.

En outre, les adoptions numériques précédentes tendaient à devenir des projets informatiques, car l'objectif était simplement de capturer et de stocker des informations à des fins d'archivage. Aujourd'hui, l'objectif est beaucoup plus vaste : il s'agit de structurer les données pour résoudre des problèmes scientifiques à l'aide de nouvelles pratiques analytiques et statistiques. Selon M. Pascual, cela exige que les chercheurs en sciences de la vie soient impliqués dès le début. "Une nouvelle entité médicamenteuse est définie par des données de processus et des données ; un outil qui fonctionne bien pour le scientifique de laboratoire est indispensable", écrit-il.

Les grandes entreprises biopharmaceutiques s'appuient souvent sur les services informatiques pour gérer l'analyse de leurs données, tandis que les petites entreprises n'ont souvent pas de fonctions de science des données ou d'analyse, à l'exception d'un soutien informatique de base. Dans les deux cas, les scientifiques n'ont pas tendance à bénéficier des initiatives analytiques. Les organisations des sciences de la vie tournées vers l'avenir veilleront plutôt à ce que les responsables des initiatives en matière de données rendent des comptes aux scientifiques. Pascual suggère que, dans une grande entreprise, cela pourrait impliquer qu'un groupe informatique s'intègre à la R&D dans le cadre de la transformation numérique. Les organisations plus petites pourraient créer une équipe interfonctionnelle composée d'informaticiens et de scientifiques.

Selon un CDMO renommé, pour qu'une équipe adhère à une nouvelle solution informatique, il faut qu'elle en reconnaisse les avantages pour l'ensemble de l'entreprise.9 De plus, la contribution précoce des scientifiques pharmaceutiques de cette entreprise a été cruciale pour la réussite de la mise en œuvre de l'offre d'IDBS. En conséquence, le chef de l'équipe de projet des systèmes de gestion des connaissances de l'entreprise a constaté que "les gens qui travaillent sur le banc d'essai aiment vraiment l'utiliser" 9la satisfaction des scientifiques est essentielle au succès des outils numériques.

3. S'appuyer sur des analyses avancées pour obtenir des informations approfondies et pratiques

La présence de scientifiques au sein de l'équipe chargée de la transformation numérique permettra de s'assurer que les objectifs fixés sont atteints. Une transformation numérique révélera à la fois des connaissances approfondies et des connaissances de "bon sens" sur vos processus et vos opérations afin de rendre votre organisation plus centrée sur les données. Selon McKinsey & Co, une connaissance approfondie pourrait prendre la forme d'une modélisation prédictive des processus biologiques et des médicaments. En tirant parti de la diversité des données moléculaires et cliniques, la modélisation prédictive pourrait identifier de nouvelles molécules candidates potentielles ayant une forte probabilité d'être développées avec succès pour devenir des médicaments.10 Plutôt que d'être conservées dans des silos départementaux, ces données peuvent être saisies électroniquement et circuler facilement en interne entre la découverte et le développement clinique, et en externe vers des organismes de recherche sous contrat (CRO) ou des CDMO pour des analyses prédictives en temps réel.10

Et les idées de bon sens peuvent être tout aussi précieuses. M. Pascual relate l'objectif de bon sens d'un scientifique : "Quelles molécules ne fonctionneront pas ? "Quelles sont les molécules qui ne fonctionneront pas, afin que nous puissions arrêter de perdre du temps avec elles". Si le scientifique ne fait pas partie de l'équipe chargée de l'adoption du numérique, il se peut que cet objectif ne soit même pas pris en compte.

Il est essentiel de collaborer avec le scientifique du laboratoire pour mettre en place une base de données permettant de soutenir les objectifs futurs. Cela permettra de s'assurer que les données sont adaptées au contexte et interopérables avec d'autres ensembles de données et d'autres départements. Une base de données de qualité bien conçue, telle que IDBS Polar,6 garantit que les données sont complètes, accessibles et réutilisables. IDBS Polar capture de manière transparente des données provenant de systèmes, d'instruments et de processus et facilite l'obtention d'informations basées sur des modèles afin d'accélérer la découverte et le développement de médicaments.

Gagnez la moitié du temps dans la découverte

Selon M. Pascual, ces trois étapes sont essentielles sur la voie de la transformation numérique, et l'accélération de la découverte de médicaments reste l'objectif à atteindre. Les experts du secteur estiment que les progrès de l'IA et de la ML feront de cet objectif une réalité. Les études en cours sur le déploiement de ces technologies avancées révèlent les gains de temps potentiels. Par exemple, le Boston Consulting Group (BCG) a constaté que les étapes de découverte et précliniques peuvent prendre en moyenne six ans. Le BCG a étudié le pipeline de recherche de 20 entreprises pharmaceutiques à forte intensité d'IA sur une période de 10 ans et a constaté que cinq des médicaments candidats avaient atteint le stade de l'essai clinique en un temps record. Dans une autre étude, le BCG et le bailleur de fonds Wellcome ont constaté que l'IA peut permettre de réaliser des économies de temps et d'argent dans la découverte de médicaments jusqu'au stade préclinique.11

Pourtant, la capture et le transfert des connaissances, de la découverte à la post-commercialisation, restent l'un des plus grands défis de l'industrie biopharmaceutique. L'adoption d'une dorsale hautement contextualisée telle que IDBS Polar, avec l'IA/ML intégrée, offre une vision et une analyse de bout en bout, par le biais de la modélisation et de la simulation, pour prendre des décisions plus précises et fondées sur des données.12 Ces données complètes et contextualisées, combinées à des analyses avancées, éliminent les préjugés sur les données de "succès" pour favoriser l'innovation et accélérer la découverte et le développement de médicaments.

 

Si vous avez aimé cet article de blog, lisez d'autres articles de Daniel Tabas.

Six façons dont l'apprentissage automatique va transformer le cycle de vie des produits biopharmaceutiques

 

 

A propos de l'auteur

Daniel Tabas - Trois conseils pour accélérer la découverte et le développement de médicamentsDaniel Tabas travaille en tant que data scientist senior au sein du groupe Data Science & Analytics chez IDBS. Il est informaticien et titulaire d'un doctorat en bio-informatique, spécialisé dans la science des données, l'analyse et l'intelligence artificielle, et avec une grande expérience dans les domaines biomédical et biopharmaceutique. Après avoir obtenu sa licence en informatique à l'université Complutense de Madrid, il a rejoint le Centre national espagnol de biotechnologie, où il a travaillé dans un groupe de base tout en préparant son doctorat en bioinformatique. Plus tard, il a travaillé chez PerkinElmer en tant qu'ingénieur principal en IA. 

 

 

Références

  1. Forbes Tech Council. (2023, March 10). Accelerating Développement de médicaments to Keep Pace with Drug Discovery. Forbes. Retrieved from [https://www.forbes.com/sites/forbestechcouncil/2023/03/10/accelerating-drug-development-to-keep-pace-with-drug-discovery/?sh=34901405a5da]
  2. Lab Manager. (n.d.). Effective Data Management: Key to Accelerating Drug Discovery and Development. Retrieved from [https://www.labmanager.com/effective-data-management-key-to-accelerating-drug-discovery-and-development-29553]
  3. McKinsey & Company. (n.d.). The pursuit of excellence in new drug development. Retrieved from [https://www.mckinsey.com/industries/life-sciences/our-insights/the-pursuit-of-excellence-in-new-drug-development]
  4. Pistoia Alliance. (n.d.). FAIR Implementation. Retrieved from [https://www.pistoiaalliance.org/projects/current-projects/fair-implementation/]
  5. Drug Discovery Trends. (n.d.). Accelerating R&D with FAIR Data. Retrieved from [https://www.drugdiscoverytrends.com/accelerating-rd-with-fair-data/]
  6. IDBS. (n.d.). IDBS Polar. Retrieved from [https://www.idbs.com/polar/]
  7. ABI Research. (n.d.). Pharma Industry to Spend $45 Billion on Digital Transformation by 2030. Retrieved from [https://www.abiresearch.com/press/pharma-industry-spend-45-billion-digital-transformation-2030/]
  8. Bamboo Agile. (n.d.). Pharma Digital Transformation. Retrieved from [https://bambooagile.eu/insights/pharma-digital-transformation/]
  9. IDBS. (2017, March). IDBS and Lonza Collaborate to Deliver Digital Solutions for Biopharmaceutical Development. Retrieved from [https://www.idbs.com/2017/03/lonza/]
  10. McKinsey & Company. (n.d.). How big data can revolutionize pharmaceutical R&D. Retrieved from [https://www.mckinsey.com/industries/life-sciences/our-insights/how-big-data-can-revolutionize-pharmaceutical-r-and-d]
  11. Nature. (2023). How AI is revolutionizing drug discovery. Nature, 599(7883), 325-327. [https://doi.org/10.1038/d41586-023-03172-6]
  12. IDBS. (2021, June). Transforming Drug Discovery through Artificial Intelligence. Retrieved from [https://www.idbs.com/2021/06/transforming-drug-discovery-through-artificial-intelligence/]
Consultez notre section Blog pour d'autres articles de ce type

Plus de nouvelles