insitro s’associe à Eli Lilly pour développer des modèles d’apprentissage automatique révolutionnaires dans la découverte de molécules petites. Cette collaboration, annoncée à South San Francisco, vise à créer des modèles prédictifs avancés capables d’estimer avec précision des propriétés pharmacologiques clés des petites molécules, notamment leur comportement in vivo. Ces défis, traditionnellement coûteux et longs à résoudre expérimentalement, freinent depuis longtemps l’innovation en recherche médicamenteuse. En combinant l’expertise computationnelle de insitro à la vaste base de données précliniques de Lilly, cette initiative s’inscrit dans une démarche stratégique visant à accélérer la découverte de médicaments grâce à Lilly TuneLab™, une nouvelle plateforme de découverte de médicaments conçue pour offrir à des biotechnologies l’accès à des modèles d’intelligence artificielle puissants. Daphne Koller, fondatrice et PDG de insitro, souligne que la conception rapide de molécules petites sûres et efficaces reste un objectif majeur, freiné par l’imprévisibilité de certaines propriétés pharmacologiques. Elle insiste sur l’importance de données robustes, cohérentes et bien structurées — rares dans le domaine — pour entraîner des modèles d’IA performants. Cette collaboration avec Lilly, renforçant un partenariat lancé en 2024 autour de la livraison d’ARNsi et de la découverte d’anticorps, permettra de tirer parti d’un jeu de données exceptionnel, issu de décennies de programmes de découverte de médicaments chez Lilly. Ce jeu de données inclut des mesures in vitro et in vivo étendues sur des milliers de composés, couvrant des paramètres ADMET (absorption, distribution, métabolisme, élimination, toxicité) et les profils pharmacocinétiques. Philip Tagari, Directeur scientifique de insitro, estime que ces modèles pourraient transformer la conception moléculaire en permettant aux chercheurs d’identifier plus tôt des structures chimiques prometteuses. En prédire plusieurs propriétés ADMET simultanément, notamment le comportement in vivo, ces outils réduiront considérablement le nombre d’expérimentations in vivo nécessaires, allongeant ainsi les délais et les coûts. Le développement des molécules petites est particulièrement complexe en raison de la diversité de l’espace chimique et des interactions entre propriétés, souvent difficiles à modéliser sans essais longs et coûteux. Les modèles seront accessibles à insitro, Lilly et à leurs partenaires, notamment les biotechnologies intégrées à Lilly TuneLab. Ils seront régulièrement mis à jour grâce à l’expansion continue du jeu de données. Lilly TuneLab repose sur une infrastructure d’apprentissage fédéré, garantissant la confidentialité des données des partenaires, hébergée par un tiers. Ces modèles s’intègrent à la plateforme ChemML de insitro, combinant apprentissage automatique, simulations in silico basées sur la physique, modèles d’affinité issus de bibliothèques à ADN codé, et un moteur de chimie médicinale par apprentissage actif. insitro, qui a levé plus de 700 millions de dollars, développe une approche intégrée fondée sur l’IA pour la découverte de cibles et de molécules, en s’appuyant sur des données humaines et cellulaires. Son ambition est de réduire les essais cliniques à des études plus ciblées, en identifiant les patients les plus susceptibles de bénéficier des traitements. La collaboration avec Lilly marque une avancée majeure vers une découverte de médicaments plus rapide, plus efficace et plus prévisible. Évaluation : Les experts saluent cette initiative comme une étape clé vers une pharmacologie prédictive. Selon des analystes du secteur, l’union de données de haute qualité et d’IA avancée pourrait réduire de 30 à 50 % les délais de développement des petites molécules. Lilly, leader historique en découverte de médicaments, renforce sa position en s’ouvrant à l’innovation collaborative. insitro, quant à lui, consolide son leadership dans l’IA appliquée à la découverte de médicaments, notamment dans les maladies métaboliques et neurodégénératives.