Faire face aux défis de la recherche de médicaments

La recherche de médicaments est un domaine de recherche en évolution constante qui se divise en de multiples voies nouvelles, telles que les immunothérapies et la thérapie génique. Au premier plan de ces développements, les scientifiques sont confrontés à un certain nombre de défis à la recherche de médicaments qui entravent les progrès. Il est essentiel que le secteur prenne des mesures pour réduire les coûts et accroître l'efficacité de la recherche pour assurer ses succès financiers et médicaux à l'avenir.

Les difficultés telles que la hausse des prix, les limites de la modélisation et les mécanismes incompris des maladies sous-jacentes se dressent en travers d'une recherche médicale plus efficace. Tandis que la recherche progresse vers de nouvelles technologies de modélisation, une question se pose : l'industrie pharmaceutique s'efforce-t-elle de relever ces défis ? Les efforts actuels sont-ils couronnés de succès ?

Le paysage de la recherche de médicaments

La recherche de médicaments est un vaste domaine de recherche qui englobe de nombreuses disciplines. L'identification de nouveaux candidats médicaments nécessite souvent l'intervention d'équipes de chercheurs pluridisciplinaires qui doivent rassembler leur expertise et appréhender le problème sous de multiples angles. Lorsque l'on pense aux défis de la recherche de médicaments, on identifie des obstacles auxquels sont confrontés de nombreux acteurs clés. De plus, le paysage des traitements est aujourd'hui si diversifié que ces acteurs diffèrent en fonction du type de médicament mis au point, car chaque catégorie requiert une expertise particulière.

Les défis peuvent se répercuter dans tous les secteurs d'activités participant à la recherche de médicaments et affecter l'ensemble du paysage, ce qui génère un problème de grande envergure aux multiples implications.

Lutter contre la hausse des coûts

La recherche de médicaments est un investissement risqué. On estime que moins de 14 % des candidats médicaments qui accèdent au stade d'essais cliniques de phase 1 (le premier essai sur l'être humain) obtiennent l'homologation de la FDA et que ceux qui y parviennent mettent en moyenne 10 à 15 ans et nécessitent un investissement de 2,5 milliards de dollars pour accéder à ce stade. Les dépenses en recherche et développement ont progressé alors que le nombre de médicaments approuvés n'a pas connu la même croissance, ce qui signifie qu'un investissement supérieur est nécessaire chaque année pour chaque médicament homologué.

Compte tenu des risques croissants liés à l'investissement, il est indispensable d'augmenter la probabilité qu'un candidat médicament soit rentable. Pour ce faire, de multiples facteurs doivent être pris en considération :

• Une mauvaise compréhension des mécanismes de la maladie sous-jacente pour laquelle le médicament est conçu
• L'inexactitude des technologies de modélisation des maladies
• Un échec de la traduction des résultats des modèles sur les patients

Les défis financiers liés à la recherche de médicaments peuvent être relevés par une approche à plusieurs volets afin de traiter tous ces facteurs simultanément. Dans l'idéal, l'industrie pharmaceutique devrait augmenter l'efficacité de ses technologies de modélisation, afin d'obtenir une compréhension plus approfondie des mécanismes de la maladie sous-jacente et une identification plus précise des médicaments potentiels ciblés.

Dépasser le stade des modèles animaux

Une solution pour gérer les limites de la modélisation et la compréhension médiocre des mécanismes de la maladie sous-jacente consiste à affronter les problèmes par le biais de modèles animaux. Même si les études animales se sont avérées très utiles pour prédire la toxicité chez l'être humain pendant les phases de recherche et de développement de médicaments depuis de nombreuses décennies, les modèles animaux ne sont pas sans inconvénients. Notamment :

• Des prédictions rarement précises des réponses humaines
• Une augmentation de la durée et des coûts de la recherche en raison de la gestion des animaux
• Des implications éthiques négatives

L'aptitude des modèles animaux à prédire la réponse humaine aux médicaments constitue une préoccupation particulière. Même si leur précision est supposée depuis longtemps, des études récentes suggèrent qu'elle n'est pas parfaite. Cela met en évidence deux problèmes majeurs du processus de recherche de médicaments :

• Des candidats médicaments peuvent être identifiés à tort comme sûrs pour les humains et approuvés pour des essais cliniques.
• Des candidats médicaments peuvent être identifiés à tort comme non sûrs pour l'être humain et disqualifiés pour des essais cliniques.

Ces deux situations aboutissent à un gaspillage de temps, d'argent et de ressources.

Exploiter la puissance des CSPi

Un progrès majeur de la modélisation pour la recherche de médicaments est la découverte des cellules souches pluripotentes induites (CSPi). Dans cette technologie, les cellules souches pluripotentes sont différenciées en cellules qui modélisent les maladies et peuvent être utilisées pour recréer avec précision le phénotype de la maladie in vitro. Dans la mesure où les CSPi peuvent être développées en tant que modèles de maladies humaines, on peut les utiliser pour favoriser la mise au point de médicaments dans les domaines où les modèles animaux sont insuffisants.

L'aptitude des CSPi à reproduire les phénotypes moléculaires et cellulaires chez les patients permet une identification potentiellement plus précise des cibles du traitement et, potentiellement, une meilleure prédiction du profil d'innocuité du médicament chez l'être humain que dans les modèles animaux. En supprimant l'obstacle des comparaisons entre espèces, l'un des défis majeurs pour la recherche de médicaments, les CSPi sont théoriquement moins susceptibles d'aboutir à l'identification de cibles inadaptées, ce qui réduit la probabilité de faire progresser un candidat médicament de premier plan qui échouerait lors du développement clinique. De plus, ils devraient fournir une lecture plus précise des problèmes d'innocuité potentiels au niveau moléculaire et cellulaire que les essais réalisés sur des cellules animales ou même sur des lignées cellulaires humaines immortalisées. Même si ces avantages théoriques de la technologie des CSPi n'ont pas encore été démontrés par l'expérience, les analyses précoces des données publiées suggèrent que les CSPi possèdent une capacité supérieure à celle des modèles animaux en termes de modélisation précise des maladies.

L'utilisation des CSPi permet aussi de mieux comprendre les mécanismes des maladies. Comme la maladie peut être modélisée plus précisément dans une CSPi que chez un animal, on peut obtenir une capture de l'image biologique complexe nettement plus poussée. Ainsi, l'utilisation des CSPi peut à la fois résoudre le problème de la faible spécificité des modèles animaux et répondre au besoin de comprendre les mécanismes des maladies. L'utilisation de ce type de modélisation aux côtés des méthodes traditionnelles pourrait réduire le nombre important d'échecs de cibles thérapeutiques et alléger d'autant les coûts de développement.

Application de l'intelligence artificielle

La modélisation informatique aide depuis longtemps à surmonter les défis de la recherche de médicaments sous forme de chimie computationnelle et de bioinformatique, mais les progrès de l'IA peuvent désormais hisser ces progrès vers de nouveaux sommets. Sous l'effet du récent intérêt grandissant pour l'IA, le secteur du développement pharmaceutique se demande comment bénéficier, lui aussi, de cet outil puissant, ce qui a entraîné l'essor de la recherche de médicaments grâce à l'IA.

Plusieurs entreprises proposent désormais des plateformes et pipelines d'IA adaptés à une série de besoins de la recherche de médicaments, notamment :

L'exploitation de la puissance de ces progrès technologiques peut permettre aux laboratoires de réduire les coûts et d'augmenter les chances de succès de l'homologation des candidats médicaments. L'entreprise de biotechnologie allemande Evotec a suivi cette voie et, en 2021, annoncé le passage de son médicament d'immuno-oncologie, découvert en collaboration avec Exscientia, en phase d'essais cliniques sur l'être humain. Les collaborations de ce genre et l'intégration de l'IA aux pipelines existants peuvent dessiner le parcours de la recherche de médicaments future.

Comment faire face aux défis de la recherche de médicaments ?

Alors que la recherche s'attaque aux défis liés à la modélisation animale traditionnelle en recourant aux technologies les plus récentes telles que l'IA et les CSPi, de grands progrès visant à éliminer gaspillage de temps et de ressources et à accroître les chances de succès du ciblage thérapeutique sont en passe d'être accomplis. Ces deux technologies réduisant les coûts de la recherche et augmentant les probabilités de succès d'un candidat médicament, il y a de bonnes chances de voir leur impact combler le fossé financier qui se creuse entre les coûts de la recherche de médicaments et le nombre de médicaments homologués au cours de la décennie à venir.

Les entreprises de ce secteur devraient faire un effort concerté pour intégrer ces nouvelles technologies à leur pipeline de recherche de médicaments existant afin de rester dans la course alors que l'avenir du secteur commence à prendre forme.