I N S I L I A N C E

Engager au mieux les facteurs humains de succès dans la lutte contre les maladies rares

images.jpeg

Proposer des expertises IA Santé de transition pour réduire les risques et améliorer le potentiel médico-économique des projets de recherche Maladies rares 

La recherche pharmaceutique est une activité hautement risquée : les chances de succès en phase clinique sont de seulement 13,8 % en moyenne et varient de 3,4% pour l'oncologie à 33,4% pour les vaccins (Wong, Siah & Lo - MIT - Biostatistics - 2018).

En étroite collaboration avec le Directeur scientifique et les biologistes d'une Biotech cotée*, dans le cadre d'un projet de sélection de molécules d'intérêts à repositionner et à combiner pour traiter une maladie lysosomale (SNC) - une maladie rare d'origine génétique qui frappe des enfants -, nous avons engagé un doctorant à la double formation Biologie/DataScience et 2 ingénieurs NLP pour développer 3 POCs :

 

  • POC 1 = Comment identifier à l’aide de base de données publiques des médicaments modulant une cible neuronale ? Cette POC utilise nos solutions d’IA pour sélectionner des molécules candidates par analyse de corrélation de signatures transcriptomiques. L'analyse de CREEDS, une base de données publique qui propose 875 signatures de 271 molécules contre les signatures du gène défaillant a permis de sélectionner 127 molécules, puis 12 molécules d'intérêt après validation IA/NLP PubMed (Littérature scientifique) --> Au final, notre intervention à leur côté a permis d’identifier 2 nouvelles structures non connues préalablement et qui ont été validées par des approches expérimentales

  • POCs 2 & 3 = Comment synthétiser les effets de 2 783 molécules agréées sur une fonction cellulaire ? Ces POCs ont permis d'extraire 40 142 abstracts PubMed à partir d'une interrogation sur l'activation d'une fonction, d'en analyser le contenu puis de sélectionner et classer par potentiel/score les composés qui l'activent (POC 2) et qui traversent la BHE (POC3) pour identifier 33 molécules d'intérêt --> Au final, notre intervention à leur côté a permis d’identifier 6 nouvelles structures non connues préalablement et qui ont été validées par des approches expérimentales

NB : Par respect de la confidentialité, nous laissons la Biotech cotée intégrer ces POCs à son plan de communication scientifique et financière

 

Nos spécialistes ont appliqué plusieurs approches scientifiques et technologiques sur divers types de données et sur leurs indépendances : tests et sélection d’algorithmes, Deep Learning & réseau de neurones, sélection par occurrence de mots-clés, NLP. 

 

Et nous pensons utile de signaler à la communauté des chercheurs l'obtention d'un résultat qui peut leur bénéficier à tous : l'analyse IA du contenu de 2 000 abstracts ou de 10 articles scientifiques complets PubMed en 1mn.

Un article scientifique est en préparation afin de présenter les processus, données, algorithmes et résultats précis de ces POCs. Il viendra s'ajouter à ceux auxquels nous avons déjà contribué "Innovative Approach in CNS Drug Discovery" (Charvériat, Lafon, Mouthon & Zimmer - Therapies - Mars-Avril 2021) et "Use of RWE in Pharmacology Research" (Charvériat, Darmoni, Lafon, Moore, Veys & Mouthon - en cours de sélection).

 

INSILIANCE a l'expérience de collaborations bilatérales (Biotechs, CHU, laboratoires publics, etc.) et en consortiums (HDH, ANR, PSPC, etc.) et peut donc engager dès aujourd'hui des expertises en médecine, biologie et/ou datascience dans des projets ponctuels bilatéraux ou dans des projets plus longs en consortiums.